Excel文件解析：操作系统与应用程序的分工

文章摘要

本文介绍了操作系统和应用程序在Excel文件处理中的分工。操作系统仅负责文件存储管理和类型识别，不解析内容；而应用程序则负责解析Excel文件的具体格式。对于.xlsx文件，应用程序会先解压zip包，再解析其中的XML文件（如workbook.xml）重建表格数据。文章以C#的ExcelDataReader库为例，展示了从文件打开到数据读取的具体流程。总结指出：操作系统管文件存取，应用程序管解析内容，开发者通过调用库API实现Excel操作。

---

1. 操作系统的角色

• 文件管理：操作系统负责文件的存储、打开、关闭、读写权限、文件流的分配等底层操作。
• 文件类型识别：通过文件扩展名（.xls, .xlsx）和文件头（magic number）识别文件类型，决定用哪个应用程序打开。
• 不负责内容解析：操作系统不关心文件内容的具体格式和结构。

---

2. Excel 文件的结构

• .xls：老版 Excel，采用 Microsoft 的专有二进制格式（BIFF）。
• .xlsx：2007 及以后，采用基于 XML 的开放文档格式（OpenXML），本质是一个 zip 压缩包，里面包含多个 XML 文件（如 workbook.xml, sheet1.xml 等）。

---

3. 应用程序/库如何解析 Excel 文件

3.1 以 .xlsx 为例

1. 打开文件
   应用程序通过操作系统的文件 API（如 fopen、File.Open）获取文件流。

2. 解压缩
   .xlsx 文件其实是一个 zip 包，应用程序先解压，获得内部的 XML 文件。

3. 读取 XML
   解析 xl/workbook.xml（工作簿信息）、xl/worksheets/sheet1.xml（表格数据）、xl/sharedStrings.xml（字符串池）等。

4. 解析数据结构
   通过 XML 解析器（如 System.Xml、libxml2）读取行、列、单元格内容，重建为内存中的表格对象。

5. 数据访问
   应用程序根据需要访问、修改、保存数据。

3.2 以 C# 的 ExcelDataReader 为例

using (var stream = File.Open("test.xlsx", FileMode.Open, FileAccess.Read))
{
    using (var reader = ExcelReaderFactory.CreateOpenXmlReader(stream))
    {
        var result = reader.AsDataSet();
        // result.Tables[0] 就是第一个sheet的数据
    }
}

• File.Open：操作系统提供的文件流。
• ExcelReaderFactory.CreateOpenXmlReader：库内部解压并解析 XML。
• AsDataSet：将表格数据转为 DataSet 结构，便于程序访问。

---

4. 总结

• 操作系统：只负责文件的存取和流的管理，不解析内容。
• 应用程序/库：负责识别 Excel 格式，解压、解析 XML 或二进制，重建为可用的数据结构。
• 开发者：通过调用这些库的 API，间接实现 Excel 文件的读取和解析。

---

拓展阅读

• Open XML SDK 文档
• ExcelDataReader GitHub
• NPOI GitHub

下面详细讲解 ExcelReaderFactory.CreateReader 的实现原理和流程。

---

一、ExcelReaderFactory.CreateReader 是什么？

ExcelReaderFactory.CreateReader(Stream stream) 是 ExcelDataReader 库的一个静态工厂方法。
它的作用是：根据输入的 Excel 文件流（.xls 或 .xlsx），自动识别格式，返回一个合适的 IExcelDataReader 实例，用于后续读取表格内容。

---

二、实现原理（源码分析）

1. 自动识别文件格式

• ExcelDataReader 支持两种格式：
  • .xls（BIFF，二进制格式，Excel 97-2003）
  • .xlsx（OpenXml，基于 XML 的压缩包，Excel 2007+）

CreateReader 会读取文件流的前几个字节（magic number），判断是 xls 还是 xlsx。

2. 源码简化流程

（以 v3.6.0 为例，实际代码有简化）

public static IExcelDataReader CreateReader(Stream fileStream)
{
    if (fileStream == null)
        throw new ArgumentNullException(nameof(fileStream));

    // 读取前4个字节判断文件类型
    byte[] header = new byte[4];
    int bytesRead = fileStream.Read(header, 0, 4);
    fileStream.Position = 0; // 还原流位置

    // XLSX: PK\x03\x04
    if (header[0] == 0x50 && header[1] == 0x4B)
    {
        return new ExcelOpenXmlReader(fileStream); // 处理 .xlsx
    }
    // XLS: 0xD0 0xCF 0x11 0xE0
    else if (header[0] == 0xD0 && header[1] == 0xCF)
    {
        return new ExcelBinaryReader(fileStream); // 处理 .xls
    }
    else
    {
        throw new ArgumentException("Unknown Excel format");
    }
}

3. 返回的对象

• .xlsx 返回 ExcelOpenXmlReader（实现了 IExcelDataReader）
• .xls 返回 ExcelBinaryReader（实现了 IExcelDataReader）

这两个类都实现了统一的接口 IExcelDataReader，你可以用同样的方式读取数据。

---

三、使用流程

1. 打开文件流
2. 调用 ExcelReaderFactory.CreateReader(stream)
3. 得到 IExcelDataReader 实例
4. 通过 .AsDataSet() 或 .Read() 读取数据

示例：

using (var stream = File.Open("test.xlsx", FileMode.Open, FileAccess.Read))
{
    using (var reader = ExcelReaderFactory.CreateReader(stream))
    {
        var result = reader.AsDataSet();
        // 读取数据
    }
}

---

四、扩展说明

• 你也可以用 CreateOpenXmlReader（只读 xlsx）或 CreateBinaryReader（只读 xls）强制指定格式。
• CreateReader 是最常用的自动识别入口，推荐优先使用。

---

五、总结

• ExcelReaderFactory.CreateReader 通过读取文件头自动识别 Excel 格式。
• 返回统一的 IExcelDataReader 实例，便于后续无差别读取。
• 内部实现是工厂模式+格式判断+多态。

---

下面将深入讲解 ExcelDataReader 库中 ExcelOpenXmlReader 和 ExcelBinaryReader 的底层实现原理和主要流程。
（注：源码可参考 ExcelDataReader GitHub）

---

一、整体架构

• IExcelDataReader：统一的接口，定义了读取 Excel 的方法（如 Read(), AsDataSet() 等）。
• ExcelOpenXmlReader：实现了对 .xlsx（OpenXML）格式的解析。
• ExcelBinaryReader：实现了对 .xls（BIFF）格式的解析。

ExcelReaderFactory.CreateReader 会根据文件头返回这两个类的实例。

---

二、ExcelOpenXmlReader（.xlsx 解析）

1. 文件结构

• .xlsx 文件本质是一个 ZIP 压缩包，里面包含多个 XML 文件。
• 主要文件有：
  • xl/workbook.xml：工作簿信息
  • xl/worksheets/sheet1.xml：表格数据
  • xl/sharedStrings.xml：字符串池
  • xl/styles.xml：样式信息

2. 解析流程

1. 解压 ZIP 包

   • 使用 .NET 的 System.IO.Packaging 或 System.IO.Compression 读取 ZIP 结构。
   • 定位并读取上述 XML 文件。

2. 解析 sharedStrings.xml

   • 读取所有字符串，建立字符串池（数组）。
   • 单元格如果是字符串类型，实际存储的是 sharedStrings 的索引。

3. 解析 workbook.xml

   • 读取所有 sheet 的名称、ID、顺序等元数据。

4. 解析 sheetN.xml

   • 逐行读取 XML，解析每个 和 （cell）节点。
   • 解析单元格类型（数值、字符串、日期、布尔等）。
   • 如果是字符串，查 sharedStrings 池；如果是数值，直接读取。

5. 实现 IExcelDataReader 接口

   • Read()：移动到下一行，解析当前行的所有单元格。
   • GetValue(int i)：返回当前行第 i 列的值。
   • AsDataSet()：将所有 sheet 读入 DataSet。

3. 关键源码片段（伪代码）

// 1. 解压并读取 sharedStrings
var sharedStrings = ReadSharedStrings("xl/sharedStrings.xml");

// 2. 读取 workbook.xml，获取 sheet 列表
var sheets = ReadSheets("xl/workbook.xml");

// 3. 读取每个 sheetN.xml
foreach (var sheet in sheets)
{
    foreach (var row in ReadRows(sheet.XmlPath))
    {
        foreach (var cell in row.Cells)
        {
            if (cell.Type == "s") // shared string
                value = sharedStrings[cell.Value];
            else
                value = ParseCellValue(cell);
        }
    }
}

---

三、ExcelBinaryReader（.xls 解析）

1. 文件结构

• .xls 是微软的 BIFF（Binary Interchange File Format）格式，二进制存储。
• 文件由一系列“记录”（Record）组成，每个记录有类型、长度和内容。

2. 解析流程

1. 读取文件头

   • 检查 magic number，确认是 BIFF 格式。

2. 逐条解析 Record

   • 读取每个 Record 的类型（如 Sheet、Row、Cell、String、Format 等）。
   • 解析 Sheet 信息，建立 sheet 列表。
   • 解析 Row、Cell 记录，重建表格数据。

3. 处理单元格数据

   • 不同类型的 Cell 记录（如 NUMBER, LABELSST, FORMULA 等）有不同的解析方式。
   • 字符串类型可能引用 SST（Shared String Table）。

4. 实现 IExcelDataReader 接口

   • Read()：移动到下一行，解析当前行的所有单元格。
   • GetValue(int i)：返回当前行第 i 列的值。
   • AsDataSet()：将所有 sheet 读入 DataSet。

3. 关键源码片段（伪代码）

while (stream.Position < stream.Length)
{
    var recordType = ReadUInt16();
    var recordLength = ReadUInt16();
    var recordData = ReadBytes(recordLength);

    switch (recordType)
    {
        case BOF: // 新的 sheet
            StartNewSheet();
            break;
        case ROW:
            StartNewRow();
            break;
        case NUMBER:
            ParseNumberCell(recordData);
            break;
        case LABELSST:
            ParseStringCell(recordData, sstTable);
            break;
        // ... 其他类型
    }
}

---

四、两者的异同

特点	ExcelOpenXmlReader (.xlsx)	ExcelBinaryReader (.xls)
文件结构	ZIP+XML	二进制（BIFF）
解析方式	解压+XML流式解析	二进制流式解析
字符串存储	sharedStrings.xml	SST（Shared String Table）
兼容性	Excel 2007+	Excel 97-2003
代码复杂度	XML解析	二进制协议解析

---

五、参考资料

• ExcelDataReader 源码
• OpenXML 格式说明
• BIFF8 格式说明

---

六、总结

• ExcelOpenXmlReader 通过解压 ZIP 包、解析 XML 文件流式读取 .xlsx。
• ExcelBinaryReader 通过解析二进制 BIFF 记录流式读取 .xls。
• 两者都实现了 IExcelDataReader，对上层调用者透明。