Excel 文件格式解析

微软的Excel格式有两种：.xls和.xlsx。Excel2003及之前的版本是.xls格式，从Excel2007开始支持.xlsx格式。只使用基本功能的话两种格式看起来并没有多大差别，但是两者文件格式确实截然不同的。

excel97-2003（xls格式）

XLS文件最为一个文件流（FileStream），是由多个子流（SubStream）构成的，下面这张图是将各个SubStream按顺序依次展现出来，这些SubStream都是有若干个整数倍Block（1 block ＝ 512 bytes）组成。

SubStream
XLS Header	占1个block(512bytes)固定大小
WorkBook	最小占8个block(4096bytes)
Summary Information	占8个block(4096bytes)固定大小
Document Summary Information	占8个block(4096bytes)固定大小
XLS Header扩展区	只有.xls文件超过一定大小时，才会出现
BigBolck pointer	最小占1个(512bytes)
RootEntry	占1个block(512bytes)

其中所有单元格数据记录在WorkBook子流中，以下为WorkBook区的重要内容结构。

0x0809 WorkbookHeader，即BOF，长度范围1~20

offset	size	content
0	2	存放XLS文件的版本类型 BIFF8/BIFF8X 0x0600 BIFF7 0x0500
2	2	WorkBookGlobals，0x0005

0x0031 FONT，长度24bytes。0x041EFORMAT

0x00E0 XF ExtendFORMAT

0x0293 STYLE

0x0085 BOUNDSHEET，即Sheet指针区，N个Sheet则有N个0x0085，包含每个Sheet的名称、sheet数据内容在xls文件中的偏移量。

offset	size	content
0	2	数据段长度(Sheet指针区和名称区长度)
2	4	该Sheet的BOF的绝对位移量，相对于Workbook
6		Sheet名称区，长度为数据段长度-2

0x008C Country，语言和地区设置。

0x00FC SST内容（SharingStringTable用来存放字符串，目的是为了让各个sheet都能够共享该SST中字符串内容）（Excel表数据，所有Sheet数据均放于此）

offset	size	content
0	4	数据中所有字符串的数量
4	4	将要放在SST中字符串的数量
以下开始针对每个字符串进行循环处理
8	2	该字符串的长度，若为双字节字符也算做一个
10	1	字符串中若包含双字节字符（如中文），则为0x01，若为纯ASCII字符，则为0x00
11	n	存放字符串信息

0x00FF ExtendedSST内容 在读取XLS文件时显得不重要，但当创建XLS文件时却非常重要

offset	size	content
0	2	每一区块字符串的个数，其值>=8
以下开始针对每一区块字符串进行循环处理
2	4	每一区块第一个字符的绝对位置
6	2	每一区块第一个字符的相对位置
8	2	保留

0x0809 Sheet1内容

0x0809 Header，20bytes

0x020BIndex，16+4*N个字节

(注：注意标志后有两位Size位，要从Size位计起)

offset	size	content
0	4	保留
4	4	第一行的序号
8	4	最后一行的序号（OpenOffice上介绍是sheet结尾的第一个未使用行的序号，行数的基数按0开始）
10	4	指向DEFCOLWIDTH（0x0055）相对于Workbook Header的位置
14	4*N	指向DBCELL（0x00D7）相对于WorkbookHeader的位置，当存在多个DBCELL时，需要设置多个。N为该sheet的行数/32

0x0055 DEFCOLWIDTH，6bytes

0x0200 Dimensions，18byte，存放sheet1的行数和列数。

offset	size	content
0	2	段大小（下列数据段大小）
2	4	第一行的序号
6	4	最后一行的序号
10	2	第一列的序号
12	2	最后一列的序号
12	2	保留

RowBlock

0x0208 Row，20bytes，Sheet中有多少行就有对应多少个0x0208开头的行信息，如果sheet中有5行，那么RowBlock的大小就是20*5bytes

offset	size	content
0	2	行的序号
2	2	列的序号

CellBlock

设置sheet中每一个单元格的信息，顺序为针对每一行的每一列依次设置，如00,01,02……10,11,12……20,21,22……

0x00FD LABELSST，14bytes，针对字符串值已经在SST中保存，这里只保存其对应的序号。记录文字串（在共享资料表裡）的Cell，格式为：

2byte：第几行（由0编起）

2byte：第几列（由0编起）

2byte：XFrecord索引值

4byte：共享字串表的索引值

0x027E RK2，14bytes，针对RK值（指编过码的整型或浮点型值）

0x00BD MULRK，28bytes记录数字(多个连续列)的Cell，格式为：

2byte：第几行（由0编起）

2byte：起始列（由0编起）

?byte：RKCell资讯（每个6byte）

2byte：XFrecord索引值

4byte：RK数值（后述）

2byte：结束列（由0编起）

0x00D7 DBCELL，随着行数的变化而发生变化

offset	size	content
0	4	DBCELL的偏移量减去RowBlock中第一个Row的偏移量
4	2	CellBlock中首行的第一个Cell的偏移量减去RowBlock中第二个Row的偏移量
以下为循环处理部分，1<n<=Max_Row
6	2	CellBlock中第n行的第一个Cell的偏移量减去第n-1行的第一个Cell的偏移量

当XLS中的行数大于32时，系统将循环处理，对于每个32行内容单独生成RowBlock、CellBlock和DBCELL。

0x0809 Sheet2内容

0x0809 Sheet3内容（如果有Sheet2、Sheet3）

0x000A EOF，Workbook结束标示符

＝＝＝＝＝＝＝＝＝＝这是吐槽线＝＝＝＝＝＝＝＝＝＝＝

这格式确实已经落后了，实在是太复杂。。。如果可以，我不再想碰这。

excel2007（xlsx格式）

xlsx格式相比旧的xls格式的数据结构要简单的多，其使用xml格式进行存储。

如下的表格：

	A	B	C
1	姓名	性别	年龄
2	张三	男	30
3	小明	男	16
4	小红	女	20

然后将xlsx文件后缀改为zip，用压缩软件打开，其内容存储在sheet1.xml文件里：

<sheetData>

   <row r="1" spans="1:3" x14ac:dyDescent="0.2">

       <c r="A1" t="s">

           <v>0</v>

       </c>

       <c r="B1" t="s">

           <v>2</v>

       </c>

       <c r="C1" t="s">

           <v>1</v>

       </c>

   </row>

   <row r="2" spans="1:3" x14ac:dyDescent="0.2">

       <c r="A2" t="s">

           <v>3</v>

       </c>

       <c r="B2" t="s">

           <v>6</v>

       </c>

       <c r="C2">

           <v>30</v>

       </c>

   </row>

   <row r="3" spans="1:3" x14ac:dyDescent="0.2">

       <c r="A3" t="s">

           <v>4</v>

       </c>

       <c r="B3" t="s">

           <v>6</v>

       </c>

       <c r="C3">

           <v>16</v>

       </c>

   </row>

   <row r="4" spans="1:3" x14ac:dyDescent="0.2">

       <c r="A4" t="s">

           <v>5</v>

       </c>

       <c r="B4" t="s">

           <v>7</v>

       </c>

       <c r="C4">

           <v>20</v>

       </c>

   </row>

</sheetData>

<c></c>标签就代表每个单元格，t="s"表示值为字符串，对应的字符串值可以在sharedStrings.xml里找到：

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>

<sst xmlns="http://schemas.openxmlformats.org/spreadsheetml/2006/main" count="9" uniqueCount="8">

   <si>

       <t>姓名</t>

   </si>

   <si>

       <t>年龄</t>

   </si>

   <si>

       <t>性别</t>

   </si>

   <si>

       <t>张三</t>

   </si>

   <si>

       <t>小明</t>

   </si>

   <si>

       <t>小红</t>

   </si>

   <si>

       <t>男</t>

   </si>

   <si>

       <t>女</t>

   </si>

</sst>

从两个xml内容对比可知，第二个xml是Excel的内容去重后的内容集合，第一个项目xml通过集合的index来关联第二个xml的内容