使用 spreadsheet gem 读取 Excel 单元格中内嵌的 hyperlink

如何使用 spreadsheet gem 读取 Excel 单元格中内嵌的 hyperlink

Task

读取 xls 后缀的 MS Excel 文件中单元格的内容及内嵌其中的 hyperlink。

Solution

require 'spreadsheet'

excel = Spreadsheet.open "/path/to/excel.xls"
sheet = excel.worksheet "sheet_name"

sheet.each do |row|
  if row[0].respong_to?(:href)
    puts "#{row[0]}: #{row[0].href}"
  end
end

（假设第一列的单元格都内嵌了 hyperlink。）

spreadsheet 文档中有写到：

To access the values stored in a Row, treat the Row like an Array.

  row[0]

-> this will return a String, a Float, an Integer, a Formula, a Link or a Date or DateTime object - or nil if the cell is empty.

如果某个单元格内嵌了 hyperlink，row[i] 就会直接返回 Spreadsheet::Link class，然后可以通过 #url 或 #href (url with fragment appended if present) 来获取内嵌的 hyperlink。

=== tl;dr ===

上面是经过简化的内容，只专注标题的意思。下面就啰嗦一下，讲讲整个过程。

Task 本来是要读取一个 xlsx 格式的 Excel，里面是一列几千条的学校名字数据，学校名字内嵌了该校主页的链接，最终目的是读取学校名和主页 hyperlink，存到数据库里以备后用。

一开始是先使用 spreadsheet gem 的，试了一下就发现其不能打开 xlsx 格式的 Excel。将源文件转换成 xls 格式后，能读取数据。然后看了文档很久也没有发现怎么在读取单元格的同时，读取其内嵌的 hyperlink。只是发现有 Spreadsheet::Link 这个类，但是文档里写的却是关于写单元格的事例，没有读取的说明。

后来通过使用 pry 来 debug，才发现原来当单元格内嵌了 hyperlink，row[i] 就会返回 Spreadsheet::Link class（通过运行 row[i].class 命令知道的）。虽然调用 row[i].href 能拿到链接了，但是返回值却有乱码（类似 “http://homepage.com/烫烫\u1234\u5678” 的字符串，前面纯 ASCII 字符部分是正确的，只是后面多了一些汉字和 unicode）。

发现读取的值不太对后，就转而尝试 Roo 这个可以直接读取 xlsx 格式的 gem。看了一圈文档并写了一些实验性代码后，没有发现读取单元格内嵌链接的接口。

最终就又切换回使用 spreadsheet 这个 gem，使用 regex 只匹配出 ASCII 字符来去掉乱码。最终进入代码库的 regex：

    /[:\.\/\w\d]+/