1. 任務

    為了實現一些機械分詞算法，准備使用“國家語委語料庫”的分詞詞表，在線下載到得詞表文件是一個Excel文件。本文的任務就是使用Perl從該Execl文件中提取所有的詞語。

    詞表文件格式如下：

    

    需要的詞語的位置在從第8行開始的，第B列的所有單元格。一共有14629個詞語。（PS：語料庫的分詞詞表包含8萬多個詞語，但是在線下載到是出現次數在50次以上的詞語，只有這1萬多）。

2. 使用什么模塊

    通過閱讀一些博文發現，PERL的Spreadsheet::ParseExcel模塊支持Excel的讀操作。

3. 如何下載模塊（windows xp上的草莓PERL）

    在命令行下輸入：cpan Spreadsheet::ParseExcel，即可自動安裝。

    

    安裝結束后，輸入perldoc Spreadsheet::ParseExcel，即可檢測是否安裝成功。（如果安裝失敗，會輸出安裝失敗）

    

4. 樣例代碼

    感覺perldoc的樣例代碼讀起來很費力，不如直接到cpan網站上面去看樣例代碼，或者下載模塊的樣例代碼。

    登錄cpan網站：http://search.cpan.org/，查找Spreadsheet::ParseExcel模塊，在其主頁
http://search.cpan.org/~jmcnamara/Spreadsheet-ParseExcel-0.59/lib/Spreadsheet/ParseExcel.pm#NAME  
上面可以找到樣例代碼和一些解釋。樣例代碼如下，遍歷所有的worksheet，遍歷每個worksheet下面的單元格。

             #!/usr/bin/perl -w 
            
 
            
use strict; 
            
use Spreadsheet::ParseExcel; 
            
 
            
my $parser   = Spreadsheet::ParseExcel->new(); 
            
my $workbook = $parser->parse('Book1.xls'); 
            
 
            
if ( !defined $workbook ) { 
            
    die $parser->error(), ".\n"; 
            
} 
            
 
            
for my $worksheet ( $workbook->worksheets() ) { 
           

 
            
    my ( $row_min, $row_max ) = $worksheet->row_range(); 
            
    my ( $col_min, $col_max ) = $worksheet->col_range(); 
           

 
            
    for my $row ( $row_min .. $row_max ) { 
            
        for my $col ( $col_min .. $col_max ) { 
            
           my $cell = $worksheet->get_cell( $row, $col ); 
            
           next unless $cell; 
            
           print "Row, Col    = ($row, $col)\n"; 
            
           print "Value       = ", $cell->value(),       "\n"; 
            
           print "Unformatted = ", $cell->unformatted(), "\n"; 
            
           print "\n"; 
            
        } 
            
    } 
            
} 
           

    另外，在該網頁上可以找到該模塊的文件：

    http://search.cpan.org/CPAN/authors/id/J/JM/JMCNAMARA/Spreadsheet-ParseExcel-0.59.tar.gz

    這個壓縮包包含了很多模塊的樣例代碼。

5. 樣例文件讀取

    首先建立一個只有4行1列的excel文件，進行嘗試：

    

    然后使用前面的樣例代碼，將'Book1.xls'替換為目標文件名，即可。顯示中文亂碼。

    

    根據網上資料來看，excel的字符編碼是unicode，一般使用如下代碼進行解決：   

             my $formatter = Spreadsheet::ParseExcel::FmtUnicode->new(Unicode_Map=>"CP936"); 
            
my $workbook = $parser->parse('example.xls', $formatter); 
           

    完整代碼如下：   

             #!/usr/bin/perl -w 
            
 
            
use Spreadsheet::ParseExcel; 
            
use Spreadsheet::ParseExcel::FmtUnicode; 
            
 
            
my $parser   = Spreadsheet::ParseExcel->new(); 
            
my $formatter = Spreadsheet::ParseExcel::FmtUnicode->new(Unicode_Map=>"CP936"); 
            
my $workbook = $parser->parse('example.xls', $formatter); 
            
 
            
if ( !defined $workbook ) { 
            
    die $parser->error(), ".\n"; 
            
} 
            
 
            
for my $worksheet ( $workbook->worksheets() ) { 
            
 
            
    my ( $row_min, $row_max ) = $worksheet->row_range(); 
            
    my ( $col_min, $col_max ) = $worksheet->col_range(); 
            
 
            
    for my $row ( $row_min .. $row_max ) { 
            
        for my $col ( $col_min .. $col_max ) { 
            
           my $cell = $worksheet->get_cell( $row, $col ); 
            
           next unless $cell; 
            
           print "Row, Col    = ($row, $col)\n"; 
            
           print "Value       = ", $cell->value(),       "\n"; 
            
           print "\n"; 
            
        } 
            
    } 
            
} 
            
<STDIN>; 
           

    注意所有需要安裝的模塊有如下幾個：

    Spreadsheet::ParseExcel：最開始安裝的。
    Unicode::Map：這個要安裝一下，用於字符編碼。
    IO-stringy：這個已經安裝過了，具體不清楚。
    OLE-Storage_Lite：這個是訪問office套件的需要的包。在安裝Spreadsheet::ParseExcel被安裝了。

    這里只需要安裝Unicode::Map即可。

    上面代碼顯示結果正常：

    

    此處可以發現，行和列的單元格的下標都是從0開始的。

6. 任務實現

    詞語的行從第8行開始（下標為7），列都在第2列（下標為1）。這樣對代碼略作修改，令$row_min=7，令$col_min=$col_max=1。修改目標文件名為'CorpusWordlist.xls'。輸出結果如下：

     

my $worksheet_count = $workbook->worksheet_count(); #得到當前表的數量

my $filename = $workbook->get_filename(); #得到當前文件名
my $name = $worksheet->get_name();    #得到表的名稱

#----------------------------------------------------------------------寫代碼---------------------------------------------------------------------------------