测试DuckDB插件对不同格式xlsx文件的读写效率

我们知道，xlsx是符合OOXML规范的格式，但其实这种格式对其组成部分的容忍度很高。
同一个表格，以不带标题行的3行*3列整数和浮点数据为例。

2659	0.116233238	0.802683908
2734	0.884122563	0.932195575
2745	0.458549115	0.30044512

在duckdb输出的xlsx中的sheet1.xml, 其sheetData标签包裹的部分如下：
如下

<sheetData>
<row r="1">
<c r="A1">
<v>2659</v>
</c>
<c r="B1">
<v>0.1162332380673584</v>
</c>
<c r="C1">
<v>0.8026839081352738</v>
</c>
</row>
<row r="2">
<c r="A2">
<v>2734</v>
</c>
<c r="B2">
<v>0.8841225634634741</v>
</c>
<c r="C2">
<v>0.9321955751461917</v>
</c>
</row>
<row r="3">
<c r="A3">
<v>2745</v>
</c>
<c r="B3">
<v>0.45854911529715814</v>
</c>
<c r="C3">
<v>0.30044511989122274</v>
</c>
</row>
</sheetData>

同一个文件，用wps打开后，再保存为xlsx, 同样的部分变成了

<sheetData>
<row r="1" spans="1:3">
<c r="A1">
<v>2659</v>
</c>
<c r="B1">
<v>0.116233238067358</v>
</c>
<c r="C1">
<v>0.802683908135274</v>
</c>
</row>
<row r="2" spans="1:3">
<c r="A2">
<v>2734</v>
</c>
<c r="B2">
<v>0.884122563463474</v>
</c>
<c r="C2">
<v>0.932195575146192</v>
</c>
</row>
<row r="3" spans="1:3">
<c r="A3">
<v>2745</v>
</c>
<c r="B3">
<v>0.458549115297158</v>
</c>
<c r="C3">
<v>0.300445119891223</v>
</c>
</row>
</sheetData>

比较发现，它给每个row标签增加了spans=“1:3”, duckdb原来生成的文件也能被wps打开，说明这个新增的部分不是必需的。不仅于此，像row和c标签中表示行号列号的r属性，其实也能省略，手工将sheet1.xml这些属性删除，再把它放回xlsx中，文件依然能正常打开，内容完全一致。

<sheetData>
<row>
<c>
<v>2659</v>
</c>
<c>
<v>0.1162332380673584</v>
</c>
<c>
<v>0.8026839081352738</v>
</c>
</row>
<row>
<c>
<v>2734</v>
</c>
<c>
<v>0.8841225634634741</v>
</c>
<c>
<v>0.9321955751461917</v>
</c>
</row>
<row>
<c>
<v>2745</v>
</c>
<c>
<v>0.45854911529715814</v>
</c>
<c>
<v>0.30044511989122274</v>
</c>
</row>
</sheetData>

在文本编辑器，分别选择以上部分，得到大小分别为453、481、372字节，简单数学计算可得，当数据规模扩大时，这个比例大体不变，而部分占整个xml文件的比例会越来越大，因此最终xml文件的大小也差不多这个比例。
下面就实际测试一下4万行256列的随机数据，读取不同标签格式xlsx的用时。

create table t as select i//256 r, i%256 c, random() v from range(10240000)t(i);

create table t40000_256 as pivot t on substr((1000+c)::varchar, -3) using sum(v);

copy t40000_256 to 'duck40000_256.xlsx' with(header 0);

create table duck2 as from 'duck40000_256.xlsx';
Run Time (s): real 5.172 user 4.703125 sys 0.421875
D from duck2 limit 2;
┌────────┬────────────────────┬────────────────────┬───┬─────────────────────┬────────────────────┬────────────────────┐
│   A1   │         B1         │         C1         │ … │         JU1         │        JV1         │        JW1         │
│ double │       double       │       double       │   │       double        │       double       │       double       │
├────────┼────────────────────┼────────────────────┼───┼─────────────────────┼────────────────────┼────────────────────┤
│ 2659.0 │ 0.1162332380673584 │ 0.8026839081352738 │ … │    0.35541860334927 │ 0.6544321929522837 │ 0.4958646194732272 │
│ 2734.0 │ 0.8841225634634741 │ 0.9321955751461917 │ … │ 0.25984720734224387 │ 0.8055294819314434 │ 0.1164436018095856 │
├────────┴────────────────────┴────────────────────┴───┴─────────────────────┴────────────────────┴────────────────────┤
│ 2 rows                                                                                         257 columns (6 shown) │
└──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘
Run Time (s): real 0.073 user 0.062500 sys 0.000000

再将它用wps保存一次，保存前后的大小

2025/08/20  21:49       130,892,489 duck40000_256.xlsx

2025/08/20  22:01       138,414,845 wps40000_256.xlsx

D create table t3 as from 'wps40000_256.xlsx';

Run Time (s): real 4.136 user 4.062500 sys 0.062500

不可思议，居然多了spans=标签，文件大的wps格式xlsx读取更快，还快了20%。这是excel插件的个例，还是各种读取插件的共性？

再用rusty_sheet插件测试

D load rusty_sheet;

D create table duck3 as from read_sheet('duck40000_256.xlsx',header=0);
Run Time (s): real 8.584 user 8.250000 sys 0.312500

D create table wps3 as from read_sheet('wps40000_256.xlsx',header=0);
Run Time (s): real 8.531 user 8.140625 sys 0.375000

这次两种格式的差距可以忽略不计。
再用spatial插件测试

load spatial;
D create table wps4 as from st_read('wps40000_256.xlsx');
Run Time (s): real 10.561 user 10.359375 sys 0.203125

D create table duck4 as from st_read('duck40000_256.xlsx');
Run Time (s): real 10.746 user 10.828125 sys 0.078125

差距同样可以忽略不计。
再用sheetreader插件测试

load sheetreader;
D create table wps5 as from sheetreader('wps40000_256.xlsx');
Run Time (s): real 1.964 user 4.921875 sys 0.390625
D from wps5 limit 2;
┌──────────┬───────────────────┬───────────────────┬───┬───────────────────┬───────────────────┬───────────────────┐
│ Numeric0 │     Numeric1      │     Numeric2      │ … │    Numeric254     │    Numeric255     │    Numeric256     │
│  double  │      double       │      double       │   │      double       │      double       │      double       │
├──────────┼───────────────────┼───────────────────┼───┼───────────────────┼───────────────────┼───────────────────┤
│   2659.0 │ 0.116233238067358 │ 0.802683908135274 │ … │  0.35541860334927 │ 0.654432192952284 │ 0.495864619473227 │
│   2734.0 │ 0.884122563463474 │ 0.932195575146192 │ … │ 0.259847207342244 │ 0.805529481931443 │ 0.116443601809586 │
├──────────┴───────────────────┴───────────────────┴───┴───────────────────┴───────────────────┴───────────────────┤
│ 2 rows                                                                                     257 columns (6 shown) │
└──────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘
D create table duck5 as from sheetreader('duck40000_256.xlsx');
Run Time (s): real 1.679 user 8.046875 sys 0.093750
Invalid Error:
Failed to retrieve shared strings file

奇怪，同样没有sharedstring.xml，wps格式就能读取，而duckdb格式报错，因为duckdb格式xlsx读取失败，没法比较两种格式的读取速度差异。
明天再测一下没有其他标签的速度。