【POI】对于POI无法处理超大xls等文件,官方解决方法【已解决】【多线程提升速率待定】

  1. 云栖社区>
  2. 博客>
  3. 正文

【POI】对于POI无法处理超大xls等文件,官方解决方法【已解决】【多线程提升速率待定】

angel挤一挤 2017-08-11 11:30:00 浏览2742
展开阅读全文

本次使用POI处理xlsx文件,莫名的遇到了一个无法逾越的问题。

总共71个xlsx文件,单个文件最大达到50M以上,71个xls文件摆在那里就有3-4G的大小。

 在起始处理的时候,发现原本适用于正常大小的POI处理xls程序竟然屡次的报错GC outofmemory 的内存移除的问题。

【当前状况】

①一个50M大小的xlsx文件,使用压缩文件打开,可以看到xml文件达到900M以上

②一个50M大小以上的xlsx文件,单个工作簿,行数平均在15W行---40W之间,列数在64列左右

③单方面的调整了JVM运行的  堆内存大小,调整到了4G并没有什么效果

④程序运行起来之后,XSSFWorkbook workbook1 = new XSSFWorkbook(fileInputStream); 跑起来,CPU瞬间99%满负荷,内存最高可以使用9.79G的占用率,仅这一个xlsx文件

【官方解决方法】

网上关于POI处理超大文件的资料不很多,粘贴,水贴更是多如牛毛。POI官网,有一个SXSSF的XSSF扩展API插件,话说是可以【生成/处理】【有歧义】大型电子表格。

 

 

 

但是,仅仅是支持生成而已。

如果用于操作大型xlsx文件,API中给出的构造方法,还是需要先构造XSSFWorkbook对象。

 

在上一步就会卡死导致内存溢出,根本走不到下步。

 

 

最后,还是找到了一篇有用的信息,关于官方的解决思路,就是将xlsx文件转化为CVS文件进行相应的处理,这样不用占用太大的内存空间,导致内存溢出程序崩溃。

一下是官方提供的XLS转化为CVS的代码,注解做了部分翻译。留下之后有时间再进行研究。

  1 package com.poi.dealXlsx;
  2 
  3 import org.apache.poi.openxml4j.exceptions.OpenXML4JException;  
  4 
  5 /* ==================================================================== 
  6         Licensed to the Apache Software Foundation (ASF) under one or more 
  7         contributor license agreements.  See the NOTICE file distributed with 
  8         this work for additional information regarding copyright ownership. 
  9         The ASF licenses this file to You under the Apache License, Version 2.0 
 10         (the "License"); you may not use this file except in compliance with 
 11         the License.  You may obtain a copy of the License at 
 12  
 13         http://www.apache.org/licenses/LICENSE-2.0 
 14  
 15         Unless required by applicable law or agreed to in writing, software 
 16         distributed under the License is distributed on an "AS IS" BASIS, 
 17         WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
 18         See the License for the specific language governing permissions and 
 19         limitations under the License. 
 20         ==================================================================== */  
 21   
 22   
 23 import java.io.File;  
 24 import java.io.IOException;  
 25 import java.io.InputStream;  
 26 import java.io.PrintStream;  
 27   
 28 import javax.xml.parsers.ParserConfigurationException;  
 29   
 30 import org.apache.poi.openxml4j.opc.OPCPackage;  
 31 import org.apache.poi.openxml4j.opc.PackageAccess;  
 32 import org.apache.poi.ss.usermodel.DataFormatter;  
 33 import org.apache.poi.ss.util.CellAddress;  
 34 import org.apache.poi.ss.util.CellReference;  
 35 import org.apache.poi.util.SAXHelper;  
 36 import org.apache.poi.xssf.eventusermodel.ReadOnlySharedStringsTable;  
 37 import org.apache.poi.xssf.eventusermodel.XSSFReader;  
 38 import org.apache.poi.xssf.eventusermodel.XSSFSheetXMLHandler;  
 39 import org.apache.poi.xssf.eventusermodel.XSSFSheetXMLHandler.SheetContentsHandler;  
 40 import org.apache.poi.xssf.extractor.XSSFEventBasedExcelExtractor;  
 41 import org.apache.poi.xssf.model.StylesTable;  
 42 import org.apache.poi.xssf.usermodel.XSSFComment;  
 43 import org.xml.sax.ContentHandler;  
 44 import org.xml.sax.InputSource;  
 45 import org.xml.sax.SAXException;  
 46 import org.xml.sax.XMLReader;  
 47   
 48 /** 
 49      *一个基本的XLSX - > CSV处理器
 50      * POI样本程序XLS2CSVmra从包中
 51      * org.apache.poi.hssf.eventusermodel.examples。
 52      *与HSSF版本一样,这会试图找到错误
 53      *行和单元格,并为它们输出空条目。
 54      * <p />
 55      *使用SAX解析器读取数据表以保持
 56      *内存占用比较小,所以这应该是
 57      *能够阅读庞大的工作簿。样式表和
 58      *共享字符串表必须保存在内存中。该
 59      *标准POI样式表类使用,但是一个自定义
 60      *(只读)类用于共享字符串表
 61      *因为标准的POI SharedStringsTable增长很大
 62      *快速与唯一字符串的数量。
 63      * <p />
 64      *更高级的SAX事件解析实现
 65      *的XLSX文件,请参阅{@link XSSFEventBasedExcelExtractor}
 66      *和{@link XSSFSheetXMLHandler}。请注意,在很多情况下,
 67      *可以简单地使用那些与习惯
 68      * {@link SheetContentsHandler}并且不需要SAX代码
 69      * 你自己! 
 70  */  
 71 public class XLSX2CSV {  
 72     /**
 73           *使用XSSF Event SAX助手进行大部分工作
 74           *解析Sheet XML,并输出内容
 75           *作为(基本)CSV。
 76          */ 
 77     private class SheetToCSV implements SheetContentsHandler {  
 78         private boolean firstCellOfRow = false;  
 79         private int currentRow = -1;  
 80         private int currentCol = -1;  
 81   
 82         /**
 83          * 输出缺失的行
 84          * @param number
 85          */
 86         private void outputMissingRows(int number) {  
 87             for (int i = 0; i < number; i++) {  
 88                 for (int j = 0; j < minColumns; j++) {  
 89                     output.append(',');  
 90                 }  
 91                 output.append('\n');  
 92             }  
 93         }  
 94   
 95         @Override  
 96         public void startRow(int rowNum) {  
 97             // If there were gaps, output the missing rows  
 98             outputMissingRows(rowNum - currentRow - 1);  
 99             // Prepare for this row  
100             firstCellOfRow = true;  
101             currentRow = rowNum;  
102             currentCol = -1;  
103         }  
104   
105         @Override  
106         public void endRow(int rowNum) {  
107             // Ensure the minimum number of columns  
108             for (int i = currentCol; i < minColumns; i++) {  
109                 output.append(',');  
110             }  
111             output.append('\n');  
112         }  
113   
114         @Override  
115         public void cell(String cellReference, String formattedValue,XSSFComment comment) {  
116             if (firstCellOfRow) {  
117                 firstCellOfRow = false;  
118             } else {  
119                 output.append(',');  
120             }  
121   
122             // gracefully handle missing CellRef here in a similar way as XSSFCell does  
123             if (cellReference == null) {  
124                 cellReference = new CellAddress(currentRow, currentCol).formatAsString();  
125             }  
126   
127             // Did we miss any cells?  
128             int thisCol = (new CellReference(cellReference)).getCol();  
129             int missedCols = thisCol - currentCol - 1;  
130             for (int i = 0; i < missedCols; i++) {  
131                 output.append(',');  
132             }  
133             currentCol = thisCol;  
134   
135             // Number or string?  
136             try {  
137                 Double.parseDouble(formattedValue);  
138                 output.append(formattedValue);  
139             } catch (NumberFormatException e) {  
140                 output.append('"');  
141                 output.append(formattedValue);  
142                 output.append('"');  
143             }  
144         }  
145   
146         @Override  
147         public void headerFooter(String text, boolean isHeader, String tagName) {  
148             // Skip, no headers or footers in CSV  
149         }  
150     }  
151   
152 
153   
154     /**
155      * 表示可以存储多个数据对象的容器。
156      */
157     private final OPCPackage xlsxPackage;  
158   
159     /** 
160      * 以最左边开始读取的列数
161      */  
162     private final int minColumns;  
163   
164     /** 
165      * 写出数据流
166      */  
167     private final PrintStream output;  
168   
169     /** 
170      * 创建一个新的XLSX -> CSV转换器
171      * 
172      * @param pkg        The XLSX package to process 
173      * @param output     The PrintStream to output the CSV to 
174      * @param minColumns 要输出的最小列数,或-1表示最小值
175      */  
176     public XLSX2CSV(OPCPackage pkg, PrintStream output, int minColumns) {  
177         this.xlsxPackage = pkg;  
178         this.output = output;  
179         this.minColumns = minColumns;  
180     }  
181   
182     /** 
183      * Parses and shows the content of one sheet 
184      * using the specified styles and shared-strings tables. 
185      *解析并显示一个工作簿的内容
186             *使用指定的样式和共享字符串表。
187      * @param styles     工作簿中所有工作表共享的样式表。
188      * @param strings     这是处理共享字符串表的轻量级方式。 大多数文本单元格将引用这里的内容。请注意,如果字符串由不同格式的位组成,则每个SI条目都可以有多个T元素
189      * @param sheetInputStream         
190      */  
191     public void processSheet(StylesTable styles,
192             ReadOnlySharedStringsTable strings,
193             SheetContentsHandler sheetHandler, InputStream sheetInputStream)
194             throws IOException, ParserConfigurationException, SAXException {
195         DataFormatter formatter = new DataFormatter();
196         InputSource sheetSource = new InputSource(sheetInputStream);
197         try {
198             XMLReader sheetParser = SAXHelper.newXMLReader();
199             ContentHandler handler = new XSSFSheetXMLHandler(styles, null,
200                     strings, sheetHandler, formatter, false);
201             sheetParser.setContentHandler(handler);
202             sheetParser.parse(sheetSource);
203         } catch (ParserConfigurationException e) {
204             throw new RuntimeException("SAX parser appears to be broken - "
205                     + e.getMessage());
206         }
207     }
208   
209     /** 
210      * Initiates the processing of the XLS workbook file to CSV. 
211      * 启动将XLS工作簿文件处理为CSV。
212      * 
213      * @throws IOException 
214      * @throws OpenXML4JException 
215      * @throws ParserConfigurationException 
216      * @throws SAXException 
217      */  
218     public void process()  
219             throws IOException, OpenXML4JException, ParserConfigurationException, SAXException {  
220         ReadOnlySharedStringsTable strings = new ReadOnlySharedStringsTable(this.xlsxPackage);  
221         XSSFReader xssfReader = new XSSFReader(this.xlsxPackage);  
222         StylesTable styles = xssfReader.getStylesTable();  
223         XSSFReader.SheetIterator iter = (XSSFReader.SheetIterator) xssfReader.getSheetsData();  
224         int index = 0;  
225         while (iter.hasNext()) {  
226             InputStream stream = iter.next();  
227             String sheetName = iter.getSheetName();  
228             this.output.println();  
229             this.output.println(sheetName + " [index=" + index + "]:");  
230             processSheet(styles, strings, new SheetToCSV(), stream);  
231             stream.close();  
232             ++index;  
233         }  
234     }  
235   
236     public static void main(String[] args) throws Exception {  
237       /*  if (args.length < 1) { 
238             System.err.println("Use:"); 
239             System.err.println("  XLSX2CSV <xlsx file> [min columns]"); 
240             return; 
241         }*/  
242   
243         File xlsxFile = new File("D:/基因数据测试/S1.xlsx");  
244         if (!xlsxFile.exists()) {  
245             System.err.println("没找到文件: " + xlsxFile.getPath());  
246             return;  
247         }  
248   
249         int minColumns = -1;  
250         if (args.length >= 2)  
251             minColumns = Integer.parseInt(args[1]);  
252   
253         // The package open is instantaneous, as it should be.  
254         OPCPackage p = OPCPackage.open(xlsxFile.getPath(), PackageAccess.READ);  
255         XLSX2CSV xlsx2csv = new XLSX2CSV(p, System.out, minColumns);  
256         xlsx2csv.process();  
257         p.close();  
258     }  
259 } 
View Code

 

----------------------------------------------------------------------------------【待续1】------------------------------------------------------------------------------------------

 

上回书说道,官方提供的XLS转化为CVS代码,其实就是使用org.xml.sax.XMLReader使用SAX解析器去解析了xls底层的xml文件而已。并没有真正的转化为CVS文件。

【XMLReader就是JDK自带的方法,查阅API可以查看相关实现类和相关工具类的方法和使用】

对于上段代码的研读,贴出来:

  1 package com.poi.dealXlsx;
  2 
  3 import org.apache.poi.openxml4j.exceptions.OpenXML4JException;  
  4 import java.io.File;  
  5 import java.io.IOException;  
  6 import java.io.InputStream;  
  7 import java.io.PrintStream;  
  8   
  9 
 10 import javax.xml.parsers.ParserConfigurationException;  
 11   
 12 
 13 import org.apache.poi.openxml4j.opc.OPCPackage;  
 14 import org.apache.poi.openxml4j.opc.PackageAccess;  
 15 import org.apache.poi.ss.usermodel.DataFormatter;  
 16 import org.apache.poi.ss.util.CellAddress;  
 17 import org.apache.poi.ss.util.CellReference;  
 18 import org.apache.poi.util.SAXHelper;  
 19 import org.apache.poi.xssf.eventusermodel.ReadOnlySharedStringsTable;  
 20 import org.apache.poi.xssf.eventusermodel.XSSFReader;  
 21 import org.apache.poi.xssf.eventusermodel.XSSFSheetXMLHandler;  
 22 import org.apache.poi.xssf.eventusermodel.XSSFSheetXMLHandler.SheetContentsHandler;  
 23 import org.apache.poi.xssf.model.StylesTable;  
 24 import org.apache.poi.xssf.usermodel.XSSFComment;  
 25 import org.xml.sax.ContentHandler;  
 26 import org.xml.sax.InputSource;  
 27 import org.xml.sax.SAXException;  
 28 import org.xml.sax.XMLReader;  
 29   
 30 /**
 31  *  一个基本的XLSX - > CSV处理器 POI样本程序XLS2CSVmra从包中
 32  *  实际上是将xlsx文件从传统的POI解析 转变为将xlsx底层的xml文件交给SAX解析器去解析
 33  *  以便处理超大xlsx文件,从而占用更小的内存和CPU资源
 34  */  
 35 public class XLSX2CSV {  
 36     
 37     /**
 38      * XSSFSheetXMLHandler处理器,用来处理xlsx文件底层xml文件的sheet部分
 39      */ 
 40     private class SheetToCSV implements SheetContentsHandler {  
 41         private boolean firstCellOfRow = false;  
 42         private int currentRow = -1;  
 43         private int currentCol = -1;  
 44   
 45         /**
 46          * 输出缺失的行
 47          * @param number
 48          */
 49         private void outputMissingRows(int number) {  
 50             for (int i = 0; i < number; i++) {  
 51                 for (int j = 0; j < minColumns; j++) {  
 52                     output.append(',');  
 53                 }  
 54                 output.println("缺失一行");  
 55             }  
 56         }  
 57   
 58         //重新开始一行
 59         @Override  
 60         public void startRow(int rowNum) {  
 61             outputMissingRows(rowNum - currentRow - 1);  
 62             firstCellOfRow = true;  
 63             currentRow = rowNum;  
 64             currentCol = -1;  
 65         }  
 66   
 67         @Override  
 68         public void endRow(int rowNum) {  
 69             //确保最小的列数
 70             for (int i = currentCol; i < minColumns; i++) {  
 71                 output.println(rowNum+"行结束");  
 72             }  
 73             output.println("下标:"+rowNum+"行结束"); 
 74         }  
 75   
 76         @Override  
 77         public void cell(String cellReference, String formattedValue,XSSFComment comment) {  
 78             // 以下处理了单元格为Null的情况
 79             //通过【A1】等判断是是【第一行第1列】
 80             int thisCol = (new CellReference(cellReference)).getCol();  
 81             int missedCols = thisCol - currentCol - 1;  
 82             for (int i = 0; i < missedCols; i++) {  
 83                 output.println("单元格值为空"); 
 84             } 
 85             currentCol = thisCol;
 86             if (firstCellOfRow) {  
 87                 firstCellOfRow = false;  
 88                 output.println(currentRow+"行的第一个单元格");
 89             } 
 90   
 91             
 92             //cellReference代表单元格的横纵坐标
 93             if (cellReference == null) {  
 94                 cellReference = new CellAddress(currentRow, currentCol).formatAsString();  
 95             }  
 96   
 97             output.println("行"+currentRow+"+列"+currentCol+">>值:"+formattedValue);
 98         }  
 99   
100         @Override  
101         public void headerFooter(String text, boolean isHeader, String tagName) {  
102             // CSV文件中没有页眉页脚 
103         }  
104     }  
105   
106   
107     /**
108      * 表示可以存储多个数据对象的容器。
109      */
110     private final OPCPackage xlsxPackage;  
111   
112     /** 
113      * 以最左边开始读取的列数
114      */  
115     private final int minColumns;  
116   
117     /** 
118      * 写出数据流
119      */  
120     private final PrintStream output;  
121   
122     /** 
123      * 创建一个新的XLSX -> CSV转换器
124      * 
125      * @param pkg        The XLSX package to process 
126      * @param output     The PrintStream to output the CSV to 
127      * @param minColumns 要输出的最小列数,或-1表示最小值
128      */  
129     public XLSX2CSV(OPCPackage pkg, PrintStream output, int minColumns) {  
130         this.xlsxPackage = pkg;  
131         this.output = output;  
132         this.minColumns = minColumns;  
133     }  
134   
135     /** 
136      *解析并显示一个工作簿的内容
137      * @param styles                 工作簿中所有工作表共享的样式表。
138      * @param readOnlyTableString     这是处理共享字符串表的轻量级方式。 大多数文本单元格将引用这里的内容。请注意,如果字符串由不同格式的位组成,则每个SI条目都可以有多个T元素
139      * @param sheetInputStream         以sheet为单位的输入流  
140      */  
141     public void processSheet(StylesTable styles,ReadOnlySharedStringsTable readOnlyTableString,SheetContentsHandler sheetHandler, InputStream sheetInputStream)
142             throws IOException, ParserConfigurationException, SAXException {
143         
144         DataFormatter formatter = new DataFormatter();
145         InputSource sheetSource = new InputSource(sheetInputStream);
146         try {
147             //为了尽可能的节省内存和I/0消耗,XmlReader读取Xml需要通过Read()实例方法,不断读取Xml文档中的声明,节点开始,节点内容,节点结束,以及空白等等,直到文档结束,Read()方法返回false
148             XMLReader reader = SAXHelper.newXMLReader();
149             //XSSFSheetXMLHandler处理器,用来处理xlsx文件底层xml文件的sheet部分,用于生成行和单元格事件
150             ContentHandler handler = new XSSFSheetXMLHandler(styles, null,readOnlyTableString, sheetHandler, formatter, false);
151             //允许应用程序注册内容事件处理程序
152             reader.setContentHandler(handler);
153             //解析XML文件
154             reader.parse(sheetSource);
155         } catch (ParserConfigurationException e) {
156             throw new RuntimeException("SAX解析器坏了"+ e.getMessage());
157         }
158     }
159   
160     /** 
161      * Initiates the processing of the XLS workbook file to CSV. 
162      * 启动将XLS工作簿文件处理为CSV。
163      * 
164      * @throws IOException 
165      * @throws OpenXML4JException 
166      * @throws ParserConfigurationException 
167      * @throws SAXException 
168      */  
169     public void process()throws IOException, OpenXML4JException, ParserConfigurationException, SAXException { 
170         
171         //用于构建XSSFSheetXMLHandler处理器所需要实例化的参数
172         ReadOnlySharedStringsTable readOnlyTableString = new ReadOnlySharedStringsTable(this.xlsxPackage);  
173         //XSSFReader获取xlsx文件xml下的各个部分,适用于低内存sax解析或类似。 它构成了对XSSF的EventUserModel支持的核心部分。
174         XSSFReader xssfReader = new XSSFReader(this.xlsxPackage); 
175         //工作簿中所有工作表共享的样式表
176         StylesTable styles = xssfReader.getStylesTable(); 
177         //从org.apache.poi.xssf.eventusermodel.XSSFReader中获取到Sheet中的数据用来迭代,交给SAX去解析
178         XSSFReader.SheetIterator iter = (XSSFReader.SheetIterator) xssfReader.getSheetsData();  
179         int index = 0;  
180         //此处迭代以 sheet为单位,一个工作簿进行一次解析
181         while (iter.hasNext()) {  
182             InputStream inputStream = iter.next();  
183             String sheetName = iter.getSheetName();  
184             this.output.println("开始解析》》》》》》》》》》》》》》》》》》》》");  
185             this.output.println("工作簿名称:"+sheetName + " [下标=" + index + "]");  
186             processSheet(styles, readOnlyTableString, new SheetToCSV(), inputStream);  
187             inputStream.close();  
188             ++index;  
189         }  
190     }  
191   
192     public static void main(String[] args) throws Exception {  
193         File xlsxFile = new File("D:/基因数据测试/S1.xlsx");  
194         if (!xlsxFile.exists()) {  
195             System.err.println("没找到文件: " + xlsxFile.getPath());  
196             return;  
197         }  
198   
199         int minColumns = -1;  
200   
201         //打开一个POI容器   参数1 文档路径  参数2 READ  READ_WRITE  WRITE三种模式
202         OPCPackage p = OPCPackage.open(xlsxFile.getPath(), PackageAccess.READ);  
203         
204         //自己创建的xls->cvs的转化器
205         XLSX2CSV xlsx2csv = new XLSX2CSV(p, System.out, minColumns);  
206         xlsx2csv.process();  
207         //关闭容器
208         p.close();  
209     }  
210 } 
View Code

 

实际测试的,就是下面的文件:

文件大小51M大小左右

 

 

 

对于上面这段官方提供的方法,我的处理思想是:

将xlsx中的数据读取出来之后,进行每1000行数据一次拆分的做法,将上述较大的xls文件拆分为一个一个的小文件,然后使用 http://www.cnblogs.com/sxdcgaq8080/p/7344787.html

提供的方法迭代去处理文件数据。

明天,将具体的处理代码写出来。

----------------------------------------------------------------------------------【待续2】------------------------------------------------------------------------------------------

 处理了将近两天的时间,终于把xlsx超大文件的拆解弄出来了。

  1 package com.poi.dealXlsx;
  2 
  3 import org.apache.poi.openxml4j.exceptions.OpenXML4JException;  
  4 
  5 import java.io.File;  
  6 import java.io.FileInputStream;
  7 import java.io.FileNotFoundException;
  8 import java.io.FileOutputStream;
  9 import java.io.IOException;  
 10 import java.io.InputStream;  
 11 import java.io.PrintStream;  
 12   
 13 
 14 
 15 
 16 
 17 
 18 import java.util.ArrayList;
 19 import java.util.Arrays;
 20 import java.util.Comparator;
 21 import java.util.List;
 22 
 23 import javax.xml.parsers.ParserConfigurationException;  
 24   
 25 
 26 
 27 
 28 
 29 
 30 
 31 
 32 
 33 
 34 
 35 
 36 import org.apache.poi.openxml4j.opc.OPCPackage;  
 37 import org.apache.poi.openxml4j.opc.PackageAccess;  
 38 import org.apache.poi.ss.usermodel.Cell;
 39 import org.apache.poi.ss.usermodel.DataFormatter;  
 40 import org.apache.poi.ss.usermodel.Row;
 41 import org.apache.poi.ss.usermodel.Sheet;
 42 import org.apache.poi.ss.util.CellAddress;  
 43 import org.apache.poi.ss.util.CellReference;  
 44 import org.apache.poi.util.SAXHelper;  
 45 import org.apache.poi.xssf.eventusermodel.ReadOnlySharedStringsTable;  
 46 import org.apache.poi.xssf.eventusermodel.XSSFReader;  
 47 import org.apache.poi.xssf.eventusermodel.XSSFSheetXMLHandler;  
 48 import org.apache.poi.xssf.eventusermodel.XSSFSheetXMLHandler.SheetContentsHandler;  
 49 import org.apache.poi.xssf.model.StylesTable;  
 50 import org.apache.poi.xssf.usermodel.XSSFComment;  
 51 import org.apache.poi.xssf.usermodel.XSSFWorkbook;
 52 import org.xml.sax.ContentHandler;  
 53 import org.xml.sax.InputSource;  
 54 import org.xml.sax.SAXException;  
 55 import org.xml.sax.XMLReader;  
 56   
 57 /**
 58  *  一个基本的XLSX - > CSV处理器 POI样本程序XLS2CSVmra从包中
 59  *  实际上是将xlsx文件从传统的POI解析 转变为将xlsx底层的xml文件交给SAX解析器去解析
 60  *  以便处理超大xlsx文件,从而占用更小的内存和CPU资源
 61  */  
 62 public class XLSX2CSV {  
 63     
 64     /**
 65      * XSSFSheetXMLHandler处理器,用来处理xlsx文件底层xml文件的sheet部分
 66      */ 
 67     private class SheetToCSV implements SheetContentsHandler {  
 68         private boolean firstCellOfRow = false;  
 69         private int currentRow = -1;  
 70         private int currentCol = -1;  
 71         private List<String> firstRowValue = new ArrayList<String>();
 72         /**
 73          * 输出缺失的行
 74          * @param number
 75          */
 76         private void outputMissingRows(int number) {  
 77             for (int i = 0; i < number; i++) {  
 78                 for (int j = 0; j < minColumns; j++) {  
 79                     output.append(',');  
 80                 }  
 81                 output.println("缺失一行");  
 82             }  
 83         }  
 84   
 85         //重新开始一行
 86         @Override  
 87         public void startRow(int rowNum) {  
 88             outputMissingRows(rowNum - currentRow - 1);  
 89             firstCellOfRow = true;  
 90             currentRow = rowNum;  
 91             currentCol = -1;  
 92         }  
 93   
 94         @Override  
 95         public void endRow(int rowNum) {  
 96             //确保最小的列数
 97             for (int i = currentCol; i < minColumns; i++) {  
 98                 output.println(rowNum+"行结束");  
 99             }  
100             output.println("下标:"+rowNum+"行结束"); 
101         }  
102   
103         
104         /**
105          * 逻辑处理的地方
106          */
107         @Override  
108         public void cell(String cellReference, String formattedValue,XSSFComment comment) {
109             
110             // 以下处理了单元格为Null的情况
111             //通过【A1】等判断是是【第一行第1列】
112             int thisCol = (new CellReference(cellReference)).getCol();  
113             int missedCols = thisCol - currentCol - 1;  
114             for (int i = 0; i < missedCols; i++) {  
115                 output.println("单元格值为空"); 
116             } 
117             currentCol = thisCol;
118             if (firstCellOfRow) {  
119                 firstCellOfRow = false;  
120                 output.println(currentRow+"行的第一个单元格");
121             } 
122   
123             
124             //cellReference代表单元格的横纵坐标
125             if (cellReference == null) {  
126                 cellReference = new CellAddress(currentRow, currentCol).formatAsString();  
127             }  
128             //打印出行列中的值
129 //            output.println("行"+currentRow+"+列"+currentCol+">>值:"+formattedValue);
130             //单独把第一行 也就是列名 全部存储起来,用于插入每一个拆解开的xls文件中
131             if(currentRow == 0){
132                 //如果是第一行的第一列  说明重新读取了一个新的原始文件  需要重新存储列名
133                 if(currentCol == 0){
134                     firstRowValue.clear();
135                 }
136                 firstRowValue.add(formattedValue);
137                 
138             }else{
139                  File file = new File("d:/分解xls");
140                  
141                  //如果currentRow=0的时候应该重新创建文件夹,代表有开始拆解新的xls文件
142                  //否则代表正在拆解当前的xls文件,应该在当前的文件夹中进行
143                  if(currentRow == 0){
144                      file = createDir(true,file);
145                  }else{
146                      file = createDir(false,file);
147                  }
148                  //此处按照每1000行拆解为一个xlsx文件,修改1000,即按照自定义的行数拆解为一个xlsx文件
149                //如果行号模1000=0   需要重新创建一个文件 否则就在当前文件中写入数据
150                  file = currentRow%1000 == 0 && currentCol == 0 ? getFile(file,true) : getFile(file,false);
151                  
152                  try {
153                      FileInputStream fileInputStream = new FileInputStream(file);
154                      XSSFWorkbook workbook = new XSSFWorkbook(fileInputStream);
155                      Sheet sheet = workbook.getSheetAt(0);
156                      int lastRowNum = sheet.getLastRowNum();//当前xlsx中最大行
157                      Row row = null; 
158                      if(lastRowNum == 1 & currentCol ==1){
159                          row = sheet.createRow(0);
160                          for (int i = 0; i < firstRowValue.size(); i++) {
161                             Cell cell = row.createCell(i);
162                             cell.setCellValue(firstRowValue.get(i));
163                         }
164                      }
165                      if(lastRowNum == 0){
166                          row = currentCol != 0 ? sheet.getRow(1):sheet.createRow(1);
167                      }else{
168                          row = currentCol != 0 ? sheet.getRow(lastRowNum):sheet.createRow(lastRowNum+1);
169                      }
170                      //为本单元格 赋值
171                      Cell cell = row.createCell(currentCol);
172                      cell.setCellValue(formattedValue);
173                      FileOutputStream fileOutputStream = new FileOutputStream(file);
174                      workbook.write(fileOutputStream);
175                      fileOutputStream.close();
176                      workbook.close();
177                      
178                  } catch (FileNotFoundException e) {
179                      output.println("不能获取到xlsx文件");
180                  } catch (IOException e) {
181                      output.println("不是xlsx文件");
182                  }
183             }
184             
185         }  
186   
187         
188         @Override  
189         public void headerFooter(String text, boolean isHeader, String tagName) {  
190             // CSV文件中没有页眉页脚 
191         }  
192         
193         /**
194          * 得到要操作的xlsx文件
195          * @param file        文件目录
196          * @param flag        是否需要重新创建一个新的xlsx
197          * @return
198          */
199         private File getFile(File file,boolean flag){
200             File [] fileList = file.listFiles();
201             Arrays.sort(fileList,new OrderFile());
202             String newDirName = "1";
203             if(fileList.length != 0){
204                 if(flag){
205                     try {
206                         newDirName = String.valueOf(Integer.parseInt(fileList[fileList.length-1].getName().substring(0, fileList[fileList.length-1].getName().indexOf(".")))+1);
207                     } catch (Exception e) {
208                         System.out.println("文件名获取失败");
209                     }
210                 }else{
211                     return fileList[fileList.length-1];
212                 }
213                 
214             }
215             String filePath = file.getAbsolutePath()+"/"+newDirName+".xlsx";
216             XSSFWorkbook  workbook = new XSSFWorkbook();
217             Sheet sheet = workbook.createSheet(newDirName);
218             try {
219                 FileOutputStream out = new FileOutputStream(filePath);
220                 workbook.write(out);
221                 System.out.println("创建xls文件"+newDirName+".xlsx成功");
222             } catch (FileNotFoundException e) {
223                 System.out.println("创建xls失败");
224             } catch (IOException e) {
225                 System.out.println("创建xls失败");
226             }
227             return new File(filePath);
228         }
229         
230         
231         /**
232          * 得到当前要操作的目录
233          * @param sign        标志 是否需要新创建一个文件夹
234          * @param file        文件夹路径
235          * @return
236          */
237         private File createDir(boolean sign,File file){
238             File [] fileList = file.listFiles();
239             Arrays.sort(fileList,new OrderFileS());
240             if(fileList.length == 0){
241                 File thisFile = new File(file.getAbsolutePath()+"/1/");
242                 boolean flag = thisFile.mkdirs();
243                 System.out.println("创建文件夹1"+flag);
244                 return thisFile;
245             }else{
246                 if(sign){
247                     try {
248                          String newDirName = String.valueOf(Integer.parseInt(fileList[fileList.length-1].getName())+1);
249                          File thisFile = new File(file.getAbsolutePath()+"/"+newDirName+"/");
250                          boolean flag = thisFile.mkdirs();
251                          System.out.println("创建文件夹"+newDirName+flag);
252                          return thisFile;
253                     } catch (Exception e) {
254                         System.out.println("顺序最后一个文件夹名字获取失败,类型转化失败");
255                     }        
256                 }
257             }
258             return fileList[fileList.length-1];
259         }
260     }  
261     
262     /**
263      * 重写Comparator接口的compare方法,可以根据FileName实现自定义排序
264      * @author SXD
265      *
266      */
267     class OrderFile implements Comparator<File>{
268 
269         @Override
270         public int compare(File o1, File o2) {
271             int fileName1 = 0;
272             int fileName2 = 0;
273             try {
274                 fileName1 = Integer.parseInt(o1.getName().substring(0, o1.getName().indexOf(".")));
275                 fileName2 = Integer.parseInt(o2.getName().substring(0, o2.getName().indexOf(".")));
276             } catch (Exception e) {
277                 System.out.println("比较方法中  获取文件名失败");
278             }
279             return fileName1>fileName2 ? 1 : fileName1 == fileName2 ? 0 : -1;
280         }
281         
282     }
283     /**
284      * 排序文件夹 
285      * @author SXD
286      *
287      */
288     class OrderFileS implements Comparator<File>{
289         
290         @Override
291         public int compare(File o1, File o2) {
292             int fileName1 = 0;
293             int fileName2 = 0;
294             try {
295                 fileName1 = Integer.parseInt(o1.getName());
296                 fileName2 = Integer.parseInt(o2.getName());
297             } catch (Exception e) {
298                 System.out.println("比较方法中  获取文件夹名失败");
299             }
300             return fileName1>fileName2 ? 1 : fileName1 == fileName2 ? 0 : -1;
301         }
302         
303     }
304   
305     /**
306      * 表示可以存储多个数据对象的容器。
307      */
308     private final OPCPackage xlsxPackage;  
309   
310     /** 
311      * 以最左边开始读取的列数
312      */  
313     private final int minColumns;  
314   
315     /** 
316      * 写出数据流
317      */  
318     private final PrintStream output;  
319   
320     /** 
321      * 创建一个新的XLSX -> CSV转换器
322      * 
323      * @param pkg        The XLSX package to process 
324      * @param output     The PrintStream to output the CSV to 
325      * @param minColumns 要输出的最小列数,或-1表示最小值
326      */  
327     public XLSX2CSV(OPCPackage pkg, PrintStream output, int minColumns) {  
328         this.xlsxPackage = pkg;  
329         this.output = output;  
330         this.minColumns = minColumns;  
331     }  
332   
333     /** 
334      *解析并显示一个工作簿的内容
335      * @param styles                 工作簿中所有工作表共享的样式表。
336      * @param readOnlyTableString     这是处理共享字符串表的轻量级方式。 大多数文本单元格将引用这里的内容。请注意,如果字符串由不同格式的位组成,则每个SI条目都可以有多个T元素
337      * @param sheetInputStream         以sheet为单位的输入流  
338      */  
339     public void processSheet(StylesTable styles,ReadOnlySharedStringsTable readOnlyTableString,SheetContentsHandler sheetHandler, InputStream sheetInputStream)
340             throws IOException, ParserConfigurationException, SAXException {
341         
342         DataFormatter formatter = new DataFormatter();
343         InputSource sheetSource = new InputSource(sheetInputStream);
344         try {
345             //为了尽可能的节省内存和I/0消耗,XmlReader读取Xml需要通过Read()实例方法,不断读取Xml文档中的声明,节点开始,节点内容,节点结束,以及空白等等,直到文档结束,Read()方法返回false
346             XMLReader reader = SAXHelper.newXMLReader();
347             //XSSFSheetXMLHandler处理器,用来处理xlsx文件底层xml文件的sheet部分,用于生成行和单元格事件
348             ContentHandler handler = new XSSFSheetXMLHandler(styles, null,readOnlyTableString, sheetHandler, formatter, false);
349             //允许应用程序注册内容事件处理程序
350             reader.setContentHandler(handler);
351             //解析XML文件
352             reader.parse(sheetSource);
353         } catch (ParserConfigurationException e) {
354             throw new RuntimeException("SAX解析器坏了"+ e.getMessage());
355         }
356     }
357   
358     /** 
359      * Initiates the processing of the XLS workbook file to CSV. 
360      * 启动将XLS工作簿文件处理为CSV。
361      * 
362      * @throws IOException 
363      * @throws OpenXML4JException 
364      * @throws ParserConfigurationException 
365      * @throws SAXException 
366      */  
367     public void process()throws IOException, OpenXML4JException, ParserConfigurationException, SAXException { 
368         
369         //用于构建XSSFSheetXMLHandler处理器所需要实例化的参数
370         ReadOnlySharedStringsTable readOnlyTableString = new ReadOnlySharedStringsTable(this.xlsxPackage);  
371         //XSSFReader获取xlsx文件xml下的各个部分,适用于低内存sax解析或类似。 它构成了对XSSF的EventUserModel支持的核心部分。
372         XSSFReader xssfReader = new XSSFReader(this.xlsxPackage); 
373         //工作簿中所有工作表共享的样式表
374         StylesTable styles = xssfReader.getStylesTable(); 
375         //从org.apache.poi.xssf.eventusermodel.XSSFReader中获取到Sheet中的数据用来迭代,交给SAX去解析
376         XSSFReader.SheetIterator iter = (XSSFReader.SheetIterator) xssfReader.getSheetsData();  
377         int index = 0;  
378         //此处迭代以 sheet为单位,一个工作簿进行一次解析
379         while (iter.hasNext()) {  
380             InputStream inputStream = iter.next();  
381             String sheetName = iter.getSheetName();  
382             this.output.println("开始解析》》》》》》》》》》》》》》》》》》》》");  
383             this.output.println("工作簿名称:"+sheetName + " [下标=" + index + "]");  
384             processSheet(styles, readOnlyTableString, new SheetToCSV(), inputStream);  
385             inputStream.close();  
386             ++index;  
387         }  
388     }  
389   
390     //可以在这里循环处理多个超大xlsx文件,逻辑中已经处理 一个超大的xlsx文件拆解开的小的xlsx文件会放在一个文件夹中
391     public static void main(String[] args) throws Exception {  
392         /**********这段代码,处理多个xlsx文件,只要循环去取即可************/
393         File xlsxFile = new File("D:/基因数据测试/S1.xlsx");  
394         if (!xlsxFile.exists()) {  
395             System.err.println("没找到文件: " + xlsxFile.getPath());  
396             return;  
397         }  
398         /***********************/
399         int minColumns = -1;  
400   
401         //打开一个POI容器   参数1 文档路径  参数2 READ  READ_WRITE  WRITE三种模式
402         OPCPackage p = OPCPackage.open(xlsxFile.getPath(), PackageAccess.READ);  
403         
404         //自己创建的xls->cvs的转化器
405         XLSX2CSV xlsx2csv = new XLSX2CSV(p, System.out, minColumns);  
406         xlsx2csv.process();  
407         //关闭容器
408         p.close();  
409     }  
410 } 
View Code

 

亲测 ,发现将50行拆解为一个xlsx文件,整体的速度是最合适的。 如果1000行拆解为一个xlsx文件,速度非常慢,因为每处理一个cell的数据,都会去获取xlsx文件对象。越到后面,xlsx文件中行数越大,数据越多,获取到这个xlsx对象也就越来越难以忍受。

 

----------------------------------------------------------------------------------待定,之后使用多线程和对象池来提高速度------------------------------------------------------------------------------------------------

网友评论

登录后评论
0/500
评论
angel挤一挤
+ 关注