PHPExcel读取excel文件

本文介绍了使用PHPExcel库读取Excel文件的方法,包括处理不同类型的Excel文件、读取单元格内容及处理富文本对象等关键步骤。

之前的博文已经对PHPExcel导出excel文件做了简单的总结,现对他读取excel做以下总结。(对数据量不会很大的建可以采用web直接用此方法读取,如果数据量会很大的话,还是建议web只做上传功能,读取、处理还是放后台吧。PHPExcel还是比较耗费时间、内存的。)

 

实例代码:

 1 //首先导入PHPExcel
 2 require_once 'PHPExcel.php';
 3 
 4 $filePath = "test.xlsx";
 5 
 6 //建立reader对象
 7 $PHPReader = new PHPExcel_Reader_Excel2007();
 8 if(!$PHPReader->canRead($filePath)){
 9     $PHPReader = new PHPExcel_Reader_Excel5();
10     if(!$PHPReader->canRead($filePath)){
11         echo 'no Excel';
12         return ;
13     }
14 }
15 
16 //建立excel对象,此时你即可以通过excel对象读取文件,也可以通过它写入文件
17 $PHPExcel = $PHPReader->load($filePath);
18 
19 /**读取excel文件中的第一个工作表*/
20 $currentSheet = $PHPExcel->getSheet(0);
21 /**取得最大的列号*/
22 $allColumn = $currentSheet->getHighestColumn();
23 /**取得一共有多少行*/
24 $allRow = $currentSheet->getHighestRow();
25 
26 //循环读取每个单元格的内容。注意行从1开始,列从A开始
27 for($rowIndex=1;$rowIndex<=$allRow;$rowIndex++){
28     for($colIndex='A';$colIndex<=$allColumn;$colIndex++){
29         $addr = $colIndex.$rowIndex;
30         $cell = $currentSheet->getCell($addr)->getValue();
31         if($cell instanceof PHPExcel_RichText)     //富文本转换字符串
32             $cell = $cell->__toString();
33             
34         echo $cell;
35     
36     }
37 
38 }

这里需要说明的是上面注释中的“富文本转换字符串”。

   PHPExcel读取EXCEl文件中,如果单元格中的内容有两种字体时,读到的是富文本的对象:

例如:单元格中有内容:“测试1”,其中前半部分的“测试”字体为宋体,后半部分的“1”字体为Calibri,这时候通过

    $cell = $sheet->getCell($addr)->getValue();

获取单元格的值。并打印:

 1 PHPExcel_RichText Object(
 2     [_richTextElements:private] => Array
 3      (
 4                [0] => PHPExcel_RichText_TextElement Object ([_text:private] => 测试)
 5                      [1] => PHPExcel_RichText_Run Object
 6                      (
 7                          [_font:private] => PHPExcel_Style_Font Object
 8                                (
 9                                     [_name:private] => Calibri
10                                         [_size:private] => 11
11                                         [_bold:private] => 
12                                         [_italic:private] => 
13                                         [_superScript:private] => 
14                                         [_subScript:private] => 
15                                         [_underline:private] => none
16                                         [_strikethrough:private] => 
17                                         [_color:private] => PHPExcel_Style_Color Object
18                                         (
19                                             [_argb:private] => FF000000
20                                             [_isSupervisor:private] => 
21                                             [_parent:private] => 
22                                             [_parentPropertyName:private] => 
23                                         )
24                                         [_parentPropertyName:private] => 
25                                         [_isSupervisor:private] => 
26                                         [_parent:private] => 
27                                         [colorIndex] => 8
28                                     )
29                                     [_text:private] => 1
30                                 )
31                         )
32                 )

可以看到对这样的单元格不能直接读取单元格的文本内容。(注:这里的富文本是我自己的翻译,不知对否)。

另外,读取单元格的函数还有:

//列从0开始,行从1开始

$currentSheet ->getCellByColumnAndRow($colIndex,$rowIndex)->getValue();

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值