xlsb_parser.py•9.63 kB
"""
XLSB格式解析器模块
基于pyxlsb库实现XLSB格式的解析，支持Excel二进制格式的数据提取。
XLSB格式的样式信息相对有限，主要专注于数据准确性。
"""
import logging
from datetime import datetime
from pyxlsb import open_workbook, convert_date
from src.models.table_model import Sheet, Row, Cell, Style, LazySheet
from src.parsers.base_parser import BaseParser
logger = logging.getLogger(__name__)
class XlsbParser(BaseParser):
"""XLSB格式解析器，基于pyxlsb库实现数据提取和基础样式支持。"""
def parse(self, file_path: str) -> list[Sheet]:
"""
解析XLSB文件并返回Sheet对象列表。
参数:
file_path: XLSB文件路径
返回:
包含数据和基础样式的Sheet对象列表
异常:
RuntimeError: 当解析失败时
"""
try:
with open_workbook(file_path) as workbook:
# 检查工作表数量
if not workbook.sheets:
raise RuntimeError("工作簿不包含任何工作表")
sheets = []
# 解析所有工作表
for sheet_idx, sheet_name in enumerate(workbook.sheets, 1):
# 打开工作表（pyxlsb使用1基索引）
with workbook.get_sheet(sheet_idx) as worksheet:
rows = []
# 读取所有行数据
for row_data in worksheet.rows():
cells = []
# 处理当前行的所有单元格
if row_data:
# 获取最大列数
max_col = max(cell.c for cell in row_data) if row_data else 0
# 创建完整的行，包括空单元格
for col_idx in range(max_col + 1):
# 查找当前列的单元格
cell_data = None
for cell in row_data:
if cell.c == col_idx:
cell_data = cell
break
# 获取单元格值和样式
if cell_data:
cell_value = self._process_cell_value(cell_data.v)
cell_style = self._extract_basic_style(cell_data)
else:
cell_value = None
cell_style = None
# 创建Cell对象
cell = Cell(
value=cell_value,
style=cell_style
)
cells.append(cell)
rows.append(Row(cells=cells))
# XLSB格式中合并单元格信息较难获取，暂时返回空列表
merged_cells = []
sheet = Sheet(
name=sheet_name,
rows=rows,
merged_cells=merged_cells
)
sheets.append(sheet)
return sheets
except Exception as e:
logger.error(f"解析XLSB文件失败: {e}")
raise RuntimeError(f"无法解析XLSB文件 {file_path}: {str(e)}")
def _process_cell_value(self, value):
"""
处理单元格值，包括数据类型转换和日期处理。
参数:
value: 原始单元格值
返回:
处理后的单元格值
"""
if value is None:
return None
# 处理不同数据类型
if isinstance(value, str):
return value
elif isinstance(value, (int, float)):
# 检查是否为日期（更严格的日期范围检测）
# Excel日期通常在1900-01-01到2099-12-31之间，对应数值范围约为1-73050
# 但要避免将普通数字误判为日期，增加更严格的条件
if (isinstance(value, float) and
1 <= value <= 73050 and # 基本范围检查
value != int(value)): # 日期通常有小数部分（时间），纯整数不太可能是日期
try:
# 尝试转换为日期
date_value = convert_date(value)
if isinstance(date_value, datetime):
# 额外验证：检查年份是否合理，且不是明显的数字
if (1900 <= date_value.year <= 2099 and
value > 365): # 排除小于一年的数值，避免误判
return date_value
except (ValueError, TypeError, OverflowError):
# 如果转换失败，当作普通数字处理
pass
# 如果是整数，返回int，否则返回float
if isinstance(value, float) and value.is_integer():
return int(value)
return value
elif isinstance(value, bool):
return value
else:
# 其他类型转换为字符串
return str(value)
def _extract_basic_style(self, cell_data) -> Style | None:
"""
尝试从XLSB单元格数据中提取基本样式信息。
注意：pyxlsb库对样式支持有限，只能提取基本信息。
"""
if not cell_data:
return None
style = Style()
try:
# pyxlsb中单元格对象可能包含一些基本样式信息
# 检查是否有样式索引或格式信息
if hasattr(cell_data, 's') and cell_data.s is not None:
# s属性通常包含样式索引，但pyxlsb无法直接解析
# 我们可以根据索引推断一些基本样式
style_index = cell_data.s
# 基于样式索引的简单推断（这是一个近似方法）
if style_index > 0:
# 非零样式索引通常表示有自定义格式
# 我们可以设置一些默认的样式属性
pass
# 检查数字格式
if hasattr(cell_data, 'f') and cell_data.f:
# f属性可能包含格式信息
style.number_format = str(cell_data.f)
# 对于XLSB，我们主要依赖数据类型来推断一些基本样式
if hasattr(cell_data, 'v') and cell_data.v is not None:
value = cell_data.v
# 根据值类型设置基本格式
if isinstance(value, float):
# 浮点数可能是日期或普通数字
if 25569 <= value <= 73050: # 可能的日期范围
style.number_format = "yyyy-mm-dd"
else:
style.number_format = "0.00"
elif isinstance(value, int):
style.number_format = "0"
except Exception as e:
logger.debug(f"XLSB样式提取失败: {e}")
# 如果没有提取到任何样式信息，返回None
if not any([style.font_name, style.font_size, style.font_color,
style.background_color, style.number_format]):
return None
return style
def _get_sheet_names(self, workbook) -> list[str]:
"""
获取工作簿中所有工作表的名称。
参数:
workbook: pyxlsb工作簿对象
返回:
工作表名称列表
"""
try:
return workbook.sheets if workbook.sheets else []
except Exception as e:
logger.warning(f"获取工作表名称失败: {e}")
return []
def _normalize_row_data(self, row_data, max_columns: int) -> list:
"""
标准化行数据，确保所有行都有相同的列数。
参数:
row_data: 原始行数据
max_columns: 最大列数
返回:
标准化后的行数据
"""
normalized_row = [None] * max_columns
if row_data:
for cell in row_data:
if 0 <= cell.c < max_columns:
normalized_row[cell.c] = cell.v
return normalized_row
def supports_streaming(self) -> bool:
"""由于pyxlsb库限制，XLSB解析器的流式处理能力有限。"""
return False # pyxlsb 有部分流式能力，但样式支持有限
def create_lazy_sheet(self, file_path: str, sheet_name: str | None = None) -> LazySheet | None:
"""
XLSB格式流式处理能力有限。
pyxlsb支持流式读取，但样式信息极为有限。
"""
return None # 由于流式模式下样式支持有限，未实现