1. 任务
为了实现一些机械分词算法，准备使用“国家语委语料库”的分词词表，在线下载到得词表文件是一个Excel文件。本文的任务就是使用Perl从该Execl文件中提取所有的词语。
词表文件格式如下：
需要的词语的位置在从第8行开始的，第B列的所有单元格。一共有14629个词语。（PS：语料库的分词词表包含8万多个词语，但是在线下载到是出现次数在50次以上的词语，只有这1万多）。
2. 使用什么模块
通过阅读一些博文发现，PERL的Spreadsheet::ParseExcel模块支持Excel的读操作。
3. 如何下载模块（windows xp上的草莓PERL）
在命令行下输入：cpan Spreadsheet::ParseExcel，即可自动安装。
安装结束后，输入perldoc Spreadsheet::ParseExcel，即可检测是否安装成功。（如果安装失败，会输出安装失败）
4. 样例代码
感觉perldoc的样例代码读起来很费力，不如直接到cpan网站上面去看样例代码，或者下载模块的样例代码。
登录cpan网站：http://search.cpan.org/，查找Spreadsheet::ParseExcel模块，在其主页
http://search.cpan.org/~jmcnamara/Spreadsheet-ParseExcel-0.59/lib/Spreadsheet/ParseExcel.pm#NAME
上面可以找到样例代码和一些解释。样例代码如下，遍历所有的worksheet，遍历每个worksheet下面的单元格。
#!/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，在该网页上可以找到该模块的文件：
http://search.cpan.org/CPAN/authors/id/J/JM/JMCNAMARA/Spreadsheet-ParseExcel-0.59.tar.gz
这个压缩包包含了很多模块的样例代码。
5. 样例文件读取
首先建立一个只有4行1列的excel文件，进行尝试：
然后使用前面的样例代码，将‘Book1.xls‘替换为目标文件名，即可。显示中文乱码。
根据网上资料来看，excel的字符编码是unicode，一般使用如下代码进行解决：
my $formatter = Spreadsheet::ParseExcel::FmtUnicode->new(Unicode_Map=>"CP936");
my $workbook = $parser->parse(‘example.xls‘, $formatter);
完整代码如下：
#!/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 = ", $cell->value(), "\n";
print "\n";
}
}
}
<STDIN>;
注意所有需要安装的模块有如下几个：
Spreadsheet::ParseExcel：最开始安装的。
Unicode::Map：这个要安装一下，用于字符编码。
IO-stringy：这个已经安装过了，具体不清楚。
OLE-Storage_Lite：这个是访问office套件的需要的包。在安装Spreadsheet::ParseExcel被安装了。
这里只需要安装Unicode::Map即可。
上面代码显示结果正常：
此处可以发现，行和列的单元格的下标都是从0开始的。
6. 任务实现
词语的行从第8行开始（下标为7），列都在第2列（下标为1）。这样对代码略作修改，令$row_min=7，令$col_min=$col_max=1。修改目标文件名为‘CorpusWordlist.xls‘。输出结果如下：
my $worksheet_count = $workbook->worksheet_count(); #得到当前表的数量 my $filename = $workbook->get_filename(); #得到当前文件名 my $name = $worksheet->get_name(); #得到表的名称
#----------------------------------------------------------------------写代码---------------------------------------------------------------------------------