mirror of
https://github.com/ThearchyHelios/AgentLab.git
synced 2026-11-15 19:22:00 +00:00
ThearchyHelios
8059cd5147
连接层 - 所有 SQLite 数据源关闭双引号字符串兼容（DQS），写错的双引号列名直接报错；设置失败就拒绝连接，启动时自检 - 连接缓存按数据源加版本快照分键、按源整体失效、最多 32 个；版本快照以 immutable 只读打开，建连接前核对文件哈希，并在借出连接时核对文件指纹，被改过就拒绝查询 - 结构探查遇到取不了列的视图时逐个对象重取，只跳过坏的那个并注明原因 解析（新 xlsx_scan + tabular） - 先流式扫描真实边界和版式（不信 dimension），再按边界读值，不整表进内存；按 Excel 自身上限设硬上限，并发解析最多两个 - 隐藏和深度隐藏的工作表不导入；稀疏区域、无缓存值的公式、同名工作表、DTD 拒收 - 去掉空行和两侧空列；列名表名统一规范化（新 names 模块）并保留原表头，撞名不再互相覆盖 - 前导零、超长数字按文本；千分位按数字；日期不带 T；带单位的数字文本写进回执 - 数字列混入非数字、交叉表和多块结构必须由用户决定（422），可选存空值或按原样导入（未规整）；STRICT 建表，整份在一个事务里写完 版本底座（新 table_versions、raw_store） - 每次上传写新库文件、落盘、0444，事务里写构建、导入记录、快照后才切指针；失败时旧版完整可查 - 原件按哈希存档，不提供下载，可以清除；上传源不许改连接字段、不再重新探查；手工 SQLite 源不许指向上传目录和应用自己的数据文件（按文件身份判断） - 启动时清理半成品与孤儿文件、给老上传补初始版本；被运行引用的版本不回收，发起运行与回收互斥 - 上传接口的解析移到线程池 运行固定数据版本 - 发起时把图里（含子工作流）用到的上传源的当前快照记进运行记录和 run.started，续跑、审批恢复沿用；数据源工具按固定的快照生成描述、表结构并查询 - 固定的版本没了、源被删除后同名重建，都明确报错，不改用当前版本或同名的新源；查询快照记 data_version 证据层 - 新报告记 entity_syntax: 2，[[t:明细]]、[[c:明细.金额]] 和 SQL 里不加引号的中文表名都认得，名字按 SQLite 的口径查找；老报告按原规则复核，结果不变 - 写作规则改为中文表名、字段名一律用 [[t:]] / [[c:]]；未规整的表在工具描述、写作目录和裁判摘录里标出 前端 - 上传弹窗接上导入前的决定（混合列、交叉表）和导入回执（跳过的隐藏表、类型转换、警告、原表头对照、未规整标记），上传前告知原件会保存 - 数据源卡片按 origin 认上传的表格，显示当前版本；上传的表格不再给「探查结构」
996 lines
46 KiB
Python
996 lines
46 KiB
Python
"""一遍流式扫描 .xlsx 的版式元数据：openpyxl read_only 拿不到的，这里补上。
|
||
|
||
**为什么要自己扫。** 导入走 openpyxl 的 read_only（流式、整数不失真、内存低），但 read_only
|
||
没有合并区、隐藏行列、自动筛选、表格对象，`<dimension>` 也可能是陈旧的或者干脆没有；
|
||
普通模式能拿到这些，代价是整本工作簿进内存（20 万行约 950 MB）。所以元数据另走一遍：
|
||
标准库 zipfile 加 ElementTree.iterparse，按行流式读，读完一行丢一行。
|
||
|
||
**为什么不信 `<dimension>`。** 它是写文件的程序自己填的：openpyxl 的 write_only 根本不写，
|
||
有的程序删了数据也不更新。真实边界只能从非空单元格算——这一遍顺手就算出来了，
|
||
导入的第二遍按这个边界读（tabular.load_into）。
|
||
|
||
**安全。** 上传的文件不可信：
|
||
- 解压后的总大小、单个部件的大小、部件个数都设上限（防 zip 炸弹）。只限字节不够：每个字节在
|
||
内存里能放大几十倍，所以工作表按 Excel 自己的上限数行、列、挂在树上的元素和单元格文字长度，
|
||
共享字符串表数条目，openpyxl 整份建树的小部件（样式、文档属性、图表工作表……）数元素和格式条目。
|
||
- 压缩包里**每一个**条目（不看扩展名：工作表改名成 .bin，关系文件照样指着它）都先用 expat 解析到
|
||
根元素为止，序言里有 DTD 就拒收。OOXML 从不需要 DTD，有 DTD 只可能是实体膨胀之类的攻击。拦在
|
||
解析器上而不是比字节，是因为字节比较认不出 UTF-16 写的「<!DOCTYPE」。
|
||
- 这里和 openpyxl 找部件的办法不同（这里按关系文件，openpyxl 按内容类型清单），两边找到的
|
||
工作簿主部件、共享字符串表必须是同一个；工作表名重复（不区分大小写）拒收。否则扫描看的是
|
||
一份，导入读的是另一份，「隐藏的工作表已跳过」这类回执就不可信了。
|
||
|
||
这里只读不判：哪些情况拒收、怎么提示，是 tabular 的事。
|
||
"""
|
||
|
||
from __future__ import annotations
|
||
|
||
import io
|
||
import re
|
||
import xml.etree.ElementTree as ET
|
||
import zipfile
|
||
from xml.parsers import expat
|
||
from contextlib import closing
|
||
from dataclasses import dataclass, field
|
||
from typing import IO
|
||
|
||
#: 解压后的总大小上限。上传本身限 50 MB，正常的 xlsx 压缩比在 5 到 20 倍之间；
|
||
#: 超过这个数的基本是 zip 炸弹。可调
|
||
MAX_UNCOMPRESSED = 2 * 1024 ** 3
|
||
#: 单个 XML 部件（一张工作表、共享字符串表）解压后的上限。可调
|
||
MAX_XML_BYTES = 1024 ** 3
|
||
#: 工作表、共享字符串表以外的 XML 部件（样式、主题、文档属性、工作簿、关系文件、表格定义……）
|
||
#: 解压后的上限。这些部件 openpyxl 一次整份建树（样式每个字节在内存里放大几十倍），正常文件
|
||
#: 一般不过 1 MB，样式堆积得很厉害的也在 10 MB 上下
|
||
MAX_PART_BYTES = 16 * 1024 ** 2
|
||
#: 上述小部件里元素个数的上限：字节上限挡不住「几百万个空元素」这种写法
|
||
MAX_PART_ELEMENTS = 400_000
|
||
#: 样式表里格式条目（xf）的上限：Excel 自己最多 65,490 种单元格格式，两组（cellStyleXfs、cellXfs）各算一份
|
||
MAX_XF = 2 * 65_490
|
||
#: 压缩包里条目个数的上限。一千张工作表的工作簿也只有几千个部件
|
||
MAX_ENTRIES = 10_000
|
||
#: Excel 的行数、列数上限
|
||
EXCEL_MAX_ROWS = 1_048_576
|
||
EXCEL_MAX_COLS = 16_384
|
||
#: Excel 单元格文字、公式长度的上限（字符）
|
||
EXCEL_MAX_TEXT = 32_767
|
||
EXCEL_MAX_FORMULA = 8_192
|
||
#: 扫描一张工作表时，树上同时挂着的元素个数上限。处理完的行清空后行本身的空壳还挂在
|
||
#: sheetData 下（只要 end 事件就拿不到父元素、摘不下来），行以外的元素（合并区、筛选、扩展、
|
||
#: 写文件的程序塞进来的未知元素）也一直挂着：每个几十到上百字节，几百万个就是几百 MB。
|
||
#: 正常的表最多 1,048,576 个行壳加上几万个其他元素，这里再留一百万的余量
|
||
MAX_ALIVE = EXCEL_MAX_ROWS + 1_000_000
|
||
#: 共享字符串表的条目上限。openpyxl 会把整张表读进一个列表，每条约一百字节
|
||
MAX_SHARED_STRINGS = 4_000_000
|
||
#: 共享字符串表里一个条目（富文本的若干段）的元素个数上限
|
||
MAX_SI_ELEMENTS = 100_000
|
||
#: 坐标清单（无缓存值的公式、错误值……）最多记多少个。总数另计，不受这个限制
|
||
MAX_CELLS = 50
|
||
#: 合并区最多记多少个。合并区上万的文件也见过（整列逐格合并），全记下来只是占内存
|
||
MAX_MERGED = 10_000
|
||
#: 离群格示例最多几个
|
||
MAX_FAR = 10
|
||
#: 判「离群」的跳跃幅度：一个非空格比此前见过的最大行号多出这么多行、或比最大列号多出这么多列。
|
||
#: 正常表格的行是连着的，隔几千行才冒出来一个格子，多半是误输入或残留格式
|
||
FAR_ROW_JUMP = 1000
|
||
FAR_COL_JUMP = 50
|
||
|
||
_CHUNK = 64 * 1024
|
||
|
||
_MAIN_NS = (
|
||
"http://schemas.openxmlformats.org/spreadsheetml/2006/main",
|
||
"http://purl.oclc.org/ooxml/spreadsheetml/main", # Strict OOXML
|
||
)
|
||
#: 工作表里要看的元素：完整标签 → 本地名。两种命名空间都认，一次字典查找就分派
|
||
_SHEET_TAGS = {
|
||
f"{{{ns}}}{local}": local
|
||
for ns in _MAIN_NS
|
||
for local in ("row", "c", "v", "f", "is", "mergeCell", "autoFilter", "col", "dimension")
|
||
}
|
||
_DIGITS = "0123456789"
|
||
|
||
|
||
class UnsupportedTable(ValueError):
|
||
"""认不出或读不了。message 直接给用户看。
|
||
|
||
定义在这里而不是 tabular：扫描是导入的第一步，同样要能拒收，而 tabular 依赖这个模块。
|
||
对外仍然从 app.data.tabular 导入（那边原样转出）。
|
||
"""
|
||
|
||
|
||
# --------------------------------------------------------------------------
|
||
# 结果
|
||
# --------------------------------------------------------------------------
|
||
|
||
|
||
@dataclass
|
||
class Bounds:
|
||
"""真实非空单元格的外接矩形，1 基行列号。"""
|
||
|
||
min_row: int
|
||
min_col: int
|
||
max_row: int
|
||
max_col: int
|
||
|
||
@property
|
||
def area(self) -> int:
|
||
return (self.max_row - self.min_row + 1) * (self.max_col - self.min_col + 1)
|
||
|
||
def a1(self) -> str:
|
||
return f"{cell_ref(self.min_row, self.min_col)}:{cell_ref(self.max_row, self.max_col)}"
|
||
|
||
|
||
@dataclass
|
||
class CellList:
|
||
"""一类单元格的坐标：前 MAX_CELLS 个的坐标，加总数和最大行号。
|
||
|
||
最大行号让调用方不必拿到全部坐标也能精确判断「某行以下有没有」：
|
||
导入区域从表头行一直到边界底部，有没有落在区域里只看 max_row。
|
||
"""
|
||
|
||
cells: list[str] = field(default_factory=list)
|
||
total: int = 0
|
||
max_row: int = 0
|
||
#: 和 cells 一一对应的原文（目前只有公式类用：公式文本，截断到 80 字）
|
||
texts: list[str] = field(default_factory=list)
|
||
|
||
def add(self, row: int, col: int, text: str | None = None) -> None:
|
||
self.total += 1
|
||
if row > self.max_row:
|
||
self.max_row = row
|
||
if len(self.cells) < MAX_CELLS:
|
||
self.cells.append(cell_ref(row, col))
|
||
if text is not None:
|
||
self.texts.append(text[:80])
|
||
|
||
|
||
@dataclass
|
||
class SheetScan:
|
||
name: str
|
||
#: visible / hidden / veryHidden
|
||
state: str
|
||
#: 工作表 XML 在压缩包里的路径
|
||
path: str
|
||
#: 真实非空格的边界；整张表没有非空格时是 None
|
||
bounds: Bounds | None = None
|
||
#: 非空格数。有公式的格不算空（即使没有缓存值）；只有空白字符的文本算空
|
||
nonempty: int = 0
|
||
merged: list[str] = field(default_factory=list)
|
||
merged_total: int = 0
|
||
#: 隐藏行、隐藏列，合并成闭区间 (起, 止)。筛选隐藏和手动隐藏在 XML 里分不出来
|
||
hidden_rows: list[tuple[int, int]] = field(default_factory=list)
|
||
hidden_cols: list[tuple[int, int]] = field(default_factory=list)
|
||
autofilter: str | None = None
|
||
formulas: int = 0
|
||
#: 有公式、却没有缓存值的格（程序生成、没用 Excel 保存过的文件）。data_only 读出来是空
|
||
formulas_uncached: CellList = field(default_factory=CellList)
|
||
#: 错误值格（#DIV/0! 之类）
|
||
errors: CellList = field(default_factory=CellList)
|
||
#: 汇总了本格上方连续几行的公式（如 C26 的 SUM(C22:C25)）：表内合计行的信号
|
||
formulas_above: CellList = field(default_factory=CellList)
|
||
#: 离群格示例：稀疏判定拒收时告诉用户是哪几个远处的格子把区域撑大了
|
||
far_cells: list[str] = field(default_factory=list)
|
||
#: 文件自己声明的 <dimension>，只作记录，不用来定边界
|
||
dimension: str | None = None
|
||
|
||
|
||
@dataclass
|
||
class TableScan:
|
||
"""Excel 的表格对象（插入 → 表格）。ref 连表头带汇总行一起算。"""
|
||
|
||
name: str
|
||
ref: str
|
||
sheet: str
|
||
totals_row_count: int = 0
|
||
header_row_count: int = 1
|
||
#: 各列的列名，从左到右
|
||
columns: list[str] = field(default_factory=list)
|
||
|
||
def span(self) -> tuple[int, int, int, int] | None:
|
||
"""ref 的 (首行, 首列, 末行, 末列)；ref 写坏了是 None。"""
|
||
a, _, b = self.ref.replace("$", "").partition(":")
|
||
try:
|
||
r1, c1 = parse_ref(a)
|
||
r2, c2 = parse_ref(b or a)
|
||
except ValueError:
|
||
return None
|
||
return min(r1, r2), min(c1, c2), max(r1, r2), max(c1, c2)
|
||
|
||
def totals_rows(self) -> tuple[int, int] | None:
|
||
"""汇总行的行号区间（闭区间）；没有汇总行是 None。"""
|
||
span = self.span()
|
||
if span is None or self.totals_row_count <= 0:
|
||
return None
|
||
return max(span[0], span[2] - self.totals_row_count + 1), span[2]
|
||
|
||
|
||
@dataclass
|
||
class WorkbookScan:
|
||
sheets: list[SheetScan] = field(default_factory=list)
|
||
#: calcPr 的 fullCalcOnLoad：打开时全部重算。XlsxWriter 默认这么写，同时把公式缓存值写成 0
|
||
full_calc_on_load: bool = False
|
||
tables: list[TableScan] = field(default_factory=list)
|
||
#: 定义名称 → 原文。工作表级的名称记作「工作表名!名称」，免得同名互相覆盖
|
||
defined_names: dict[str, str] = field(default_factory=dict)
|
||
|
||
def sheet(self, name: str) -> SheetScan | None:
|
||
return next((s for s in self.sheets if s.name == name), None)
|
||
|
||
|
||
# --------------------------------------------------------------------------
|
||
# 坐标
|
||
# --------------------------------------------------------------------------
|
||
|
||
_COL_CACHE: dict[str, int] = {}
|
||
|
||
|
||
def col_letter(col: int) -> str:
|
||
out = ""
|
||
while col > 0:
|
||
col, rem = divmod(col - 1, 26)
|
||
out = chr(65 + rem) + out
|
||
return out
|
||
|
||
|
||
def cell_ref(row: int, col: int) -> str:
|
||
return f"{col_letter(col)}{row}"
|
||
|
||
|
||
def _col_number(letters: str) -> int:
|
||
hit = _COL_CACHE.get(letters)
|
||
if hit is None:
|
||
hit = 0
|
||
for ch in letters.upper():
|
||
hit = hit * 26 + ord(ch) - 64
|
||
if len(_COL_CACHE) < 20_000:
|
||
_COL_CACHE[letters] = hit
|
||
return hit
|
||
|
||
|
||
def parse_ref(ref: str) -> tuple[int, int]:
|
||
"""「AB12」→ (12, 28)。不认 $，调用方给的是单元格的 r 属性，不带 $。"""
|
||
letters = ref.rstrip(_DIGITS)
|
||
return int(ref[len(letters):]), _col_number(letters)
|
||
|
||
|
||
# --------------------------------------------------------------------------
|
||
# 读压缩包
|
||
# --------------------------------------------------------------------------
|
||
|
||
|
||
class _Budget:
|
||
"""整个压缩包解压出来的总字节数。声明的大小先查一遍，读的时候再实数一遍。"""
|
||
|
||
def __init__(self) -> None:
|
||
self.used = 0
|
||
|
||
def take(self, n: int) -> None:
|
||
self.used += n
|
||
if self.used > MAX_UNCOMPRESSED:
|
||
raise UnsupportedTable(_too_big())
|
||
|
||
|
||
def _too_big() -> str:
|
||
return (f"文件解压后超过 {MAX_UNCOMPRESSED // 1024 ** 2} MB，无法导入。"
|
||
"请删除不需要的工作表，或另存为 .csv 后重新上传")
|
||
|
||
|
||
class _Guarded:
|
||
"""包住压缩包里的一个 XML 部件：数着字节读，超过大小上限就停。
|
||
|
||
iterparse 只要求 source 有 read(n)。DTD 不在这里查：见 _check_prolog。
|
||
"""
|
||
|
||
def __init__(self, fp: IO[bytes], part: str, budget: _Budget, limit: int | None = None) -> None:
|
||
self._fp = fp
|
||
self._part = part
|
||
self._budget = budget
|
||
self._seen = 0
|
||
#: 这个部件最多读多少字节。None 表示按 MAX_XML_BYTES（现取，测试里可以改）
|
||
self._limit = limit
|
||
|
||
def read(self, n: int = -1) -> bytes:
|
||
data = self._fp.read(n if n and n > 0 else _CHUNK)
|
||
if not data:
|
||
return data
|
||
self._seen += len(data)
|
||
self._budget.take(len(data))
|
||
limit = self._limit if self._limit is not None else MAX_XML_BYTES
|
||
if self._seen > limit:
|
||
raise UnsupportedTable(_part_too_big(self._part, limit))
|
||
return data
|
||
|
||
def close(self) -> None:
|
||
self._fp.close()
|
||
|
||
|
||
def _part_too_big(part: str, limit: int) -> str:
|
||
return (f"文件中的「{part}」解压后超过 {limit // 1024 ** 2} MB，无法导入。"
|
||
"请拆分工作表，或另存为 .csv 后重新上传")
|
||
|
||
|
||
def _abnormal(what: str) -> str:
|
||
"""文件结构超出 Excel 自己的上限、或者前后矛盾：Excel 不会生成这样的文件。"""
|
||
return f"{what}，不是 Excel 正常保存的文件，已拒绝导入。请在 Excel 中另存为 .xlsx 或 .csv 后重新上传"
|
||
|
||
|
||
def _local(tag: str) -> str:
|
||
return tag.rsplit("}", 1)[-1]
|
||
|
||
|
||
def _resolve(base_dir: str, target: str) -> str:
|
||
"""关系文件里的 Target → 压缩包内路径。openpyxl 写绝对路径（/xl/...），Excel 写相对路径。"""
|
||
if target.startswith("/"):
|
||
return target.lstrip("/")
|
||
out: list[str] = []
|
||
for part in f"{base_dir}/{target}".split("/"):
|
||
if part == "..":
|
||
if out:
|
||
out.pop()
|
||
elif part and part != ".":
|
||
out.append(part)
|
||
return "/".join(out)
|
||
|
||
|
||
class _Archive:
|
||
def __init__(self, raw: bytes) -> None:
|
||
try:
|
||
self.zip = zipfile.ZipFile(io.BytesIO(raw))
|
||
except zipfile.BadZipFile as e:
|
||
raise UnsupportedTable(_not_xlsx()) from e
|
||
infos = self.zip.infolist()
|
||
if len(infos) > MAX_ENTRIES:
|
||
raise UnsupportedTable(_abnormal(f"压缩包中的部件超过 {MAX_ENTRIES:,} 个"))
|
||
self.names = set(self.zip.namelist())
|
||
self.budget = _Budget()
|
||
declared = sum(info.file_size for info in infos)
|
||
if declared > MAX_UNCOMPRESSED:
|
||
raise UnsupportedTable(_too_big())
|
||
#: 已经数过元素个数的小部件（_check_small 只做一次）
|
||
self.checked: set[str] = set()
|
||
|
||
def open(self, path: str, limit: int | None = None) -> _Guarded:
|
||
"""打开一个部件，读出的字节受 limit 限制（None 表示按 MAX_XML_BYTES）。声明的大小先查一遍。"""
|
||
info = self.zip.getinfo(path)
|
||
cap = limit if limit is not None else MAX_XML_BYTES
|
||
if info.file_size > cap:
|
||
raise UnsupportedTable(_part_too_big(path, cap))
|
||
return _Guarded(self.zip.open(info), path, self.budget, cap)
|
||
|
||
def tree(self, path: str) -> ET.Element:
|
||
"""小部件（workbook.xml、关系文件、表格定义）整个解析。先按小部件的上限数一遍元素，再建树。"""
|
||
_check_small(self, path)
|
||
parser = ET.XMLParser()
|
||
with closing(self.open(path, MAX_PART_BYTES)) as source:
|
||
while chunk := source.read(_CHUNK):
|
||
parser.feed(chunk)
|
||
return parser.close()
|
||
|
||
def rels(self, part: str) -> dict[str, tuple[str, str]]:
|
||
"""部件的关系表：Id → (类型, 解析后的路径)。没有关系文件时是空的。"""
|
||
folder, _, name = part.rpartition("/")
|
||
rels_path = f"{folder}/_rels/{name}.rels" if folder else f"_rels/{name}.rels"
|
||
if rels_path not in self.names:
|
||
return {}
|
||
out: dict[str, tuple[str, str]] = {}
|
||
for rel in self.tree(rels_path):
|
||
target = rel.get("Target") or ""
|
||
if rel.get("TargetMode") == "External":
|
||
continue
|
||
out[rel.get("Id") or ""] = (rel.get("Type") or "", _resolve(folder, target))
|
||
return out
|
||
|
||
|
||
class _RootReached(Exception):
|
||
"""序言读完了（见到了根元素）：_check_prolog 用它提前结束解析。"""
|
||
|
||
|
||
def _no_dtd(*_args: object) -> None:
|
||
raise UnsupportedTable(_DTD_MESSAGE)
|
||
|
||
|
||
def _root_reached(*_args: object) -> None:
|
||
raise _RootReached
|
||
|
||
|
||
_DTD_MESSAGE = "文件中含有 Excel 文件不应包含的内容（DTD 声明），已拒绝导入"
|
||
_PROLOG_CHUNK = 4096
|
||
|
||
|
||
def _check_prolog(archive: _Archive, path: str, *, strict: bool = True) -> bool:
|
||
"""一个部件的序言里有没有 DTD：有就拒收。返回它是不是 XML（读到了根元素）。
|
||
|
||
DOCTYPE 只能出现在根元素之前，所以只解析到根元素的开始标签为止，通常只读几百字节。
|
||
用 expat 解析而不是比字节：编码由 expat 自己认（UTF-8、带或不带 BOM 的 UTF-16……），
|
||
和 ElementTree、openpyxl 用的是同一套规则，「换个编码就绕过」行不通。
|
||
|
||
**压缩包里每个条目都查，不看扩展名。** 工作表、共享字符串表的路径来自关系文件和内容类型，
|
||
改名成 sheet1.bin 照样会被这里的扫描和 openpyxl 当 XML 解析，只查 .xml/.rels 就漏了。
|
||
strict（名字是 .xml/.rels）时序言解析不了也拒收：OOXML 规定部件是 UTF-8 或 UTF-16 的合法
|
||
XML，expat 连序言都读不过去的，别的解析器读出来是什么样说不准。其余名字（图片、
|
||
printerSettings、vbaProject.bin）解析不了是正常的，跳过：expat 读不过序言的，ElementTree
|
||
和 openpyxl 也不可能把它当 XML 读出内容。
|
||
|
||
唯一的例外：.svg 图片可以带不含内部子集的 DOCTYPE（老版本 Illustrator 导出的 SVG 都带一行
|
||
`<!DOCTYPE svg PUBLIC …>`）。没有内部子集就没有实体定义，expat 也不会去取外部 DTD，
|
||
改名成 .svg 的工作表因此展开不了任何实体；内部子集、实体声明照样拒收。
|
||
"""
|
||
svg = path.lower().endswith(".svg")
|
||
|
||
def doctype(_name: str, _sysid: str | None, _pubid: str | None, has_internal_subset: int) -> None:
|
||
if has_internal_subset or not svg:
|
||
raise UnsupportedTable(_DTD_MESSAGE)
|
||
|
||
parser = expat.ParserCreate()
|
||
parser.StartDoctypeDeclHandler = doctype
|
||
parser.EntityDeclHandler = _no_dtd
|
||
parser.StartElementHandler = _root_reached
|
||
# 读序言不受单个部件的大小上限约束（大图片也只读开头几 KB），读到的字节照样计入总量
|
||
with closing(archive.open(path, max(archive.zip.getinfo(path).file_size, 1))) as source:
|
||
try:
|
||
while chunk := source.read(_PROLOG_CHUNK):
|
||
parser.Parse(chunk, False)
|
||
except _RootReached:
|
||
return True
|
||
except (expat.ExpatError, LookupError) as e:
|
||
# LookupError：声明了 Python 不认识的编码，pyexpat 原样抛出
|
||
if strict:
|
||
raise UnsupportedTable(_broken()) from e
|
||
return False
|
||
# 读到结尾也没见到根元素（空部件之类）：没有 DOCTYPE 就不管，读不读得了是真正解析时的事
|
||
return False
|
||
|
||
|
||
def _check_small(archive: _Archive, path: str) -> None:
|
||
"""工作表、共享字符串表以外的 XML 部件：字节数和元素个数都设上限，样式里的格式条目单独设上限。
|
||
|
||
这些部件 openpyxl 用 lxml 一次整份建树（样式还要给每个格式条目建对象），内存是字节数的
|
||
几十倍；只限字节，几 MB 的「几十万个空元素」就能吃掉几个 GB。这里流式数一遍：
|
||
处理完的元素清空、根下的直接子元素摘掉，数的过程本身不占多少内存。
|
||
"""
|
||
if path in archive.checked:
|
||
return
|
||
total = xf = depth = 0
|
||
root: ET.Element | None = None
|
||
with closing(archive.open(path, MAX_PART_BYTES)) as source:
|
||
for event, el in ET.iterparse(source, events=("start", "end")):
|
||
if event == "start":
|
||
depth += 1
|
||
if root is None:
|
||
root = el
|
||
continue
|
||
depth -= 1
|
||
total += 1
|
||
if total > MAX_PART_ELEMENTS:
|
||
raise UnsupportedTable(_abnormal(f"文件中的「{path}」包含的元素超过 {MAX_PART_ELEMENTS:,} 个"))
|
||
if _local(el.tag) == "xf":
|
||
xf += 1
|
||
if xf > MAX_XF:
|
||
raise UnsupportedTable(_abnormal(f"样式表中的单元格格式超过 {MAX_XF:,} 种"))
|
||
el.clear()
|
||
if depth == 1 and root is not None:
|
||
root.remove(el)
|
||
archive.checked.add(path)
|
||
|
||
|
||
#: 工作簿主部件的几种内容类型，按 openpyxl 找主部件的顺序（reader/excel.py _find_workbook_part）
|
||
_WORKBOOK_TYPES = (
|
||
"application/vnd.ms-excel.template.macroEnabled.main+xml",
|
||
"application/vnd.openxmlformats-officedocument.spreadsheetml.template.main+xml",
|
||
"application/vnd.ms-excel.sheet.macroEnabled.main+xml",
|
||
"application/vnd.openxmlformats-officedocument.spreadsheetml.sheet.main+xml",
|
||
)
|
||
_SHARED_STRINGS_TYPE = "application/vnd.openxmlformats-officedocument.spreadsheetml.sharedStrings+xml"
|
||
_CONTENT_TYPES = "[Content_Types].xml"
|
||
|
||
|
||
def _content_types(archive: _Archive) -> tuple[dict[str, list[str]], set[str]]:
|
||
"""内容类型清单：(内容类型 → 按出现顺序的部件路径, 默认登记过的内容类型)。"""
|
||
if _CONTENT_TYPES not in archive.names:
|
||
raise UnsupportedTable(_not_xlsx())
|
||
overrides: dict[str, list[str]] = {}
|
||
defaults: set[str] = set()
|
||
for el in archive.tree(_CONTENT_TYPES):
|
||
local = _local(el.tag)
|
||
if local == "Override":
|
||
overrides.setdefault(el.get("ContentType") or "", []).append((el.get("PartName") or "").lstrip("/"))
|
||
elif local == "Default":
|
||
defaults.add(el.get("ContentType") or "")
|
||
return overrides, defaults
|
||
|
||
|
||
def _book_path(archive: _Archive, overrides: dict[str, list[str]], defaults: set[str]) -> str:
|
||
"""工作簿主部件的路径。内容类型清单和包关系文件各指一个：openpyxl 按前者找，这里按后者找，
|
||
两边不是同一个就拒收——否则扫描看的是一本工作簿，导入读的是另一本。"""
|
||
claimed = [path for kind in _WORKBOOK_TYPES for path in overrides.get(kind, [])]
|
||
if len(claimed) > 1:
|
||
raise UnsupportedTable(_abnormal("文件中登记了不止一个工作簿主部件"))
|
||
if claimed:
|
||
by_types = claimed[0]
|
||
elif defaults & set(_WORKBOOK_TYPES):
|
||
by_types = "xl/workbook.xml" # openpyxl 的退路：默认内容类型就是工作簿
|
||
else:
|
||
raise UnsupportedTable(_not_xlsx())
|
||
by_rels = next((path for kind, path in archive.rels("").values() if kind.endswith("/officeDocument")), None)
|
||
if by_rels is not None and by_rels != by_types:
|
||
raise UnsupportedTable(_abnormal("文件中两处登记的工作簿主部件不一致"))
|
||
return by_types
|
||
|
||
|
||
def _shared_strings_path(rels: dict[str, tuple[str, str]], overrides: dict[str, list[str]],
|
||
archive: _Archive) -> str | None:
|
||
"""共享字符串表的路径。openpyxl 按内容类型清单找，这里按工作簿的关系文件找：两边不一致就拒收，
|
||
否则扫描判断「格子空不空」用的是一张表，导入读出来的是另一张。"""
|
||
by_rels = next((path for kind, path in rels.values()
|
||
if kind.endswith("/sharedStrings") and path in archive.names), None)
|
||
claimed = overrides.get(_SHARED_STRINGS_TYPE, [])
|
||
if len(claimed) > 1 or (claimed and claimed[0] != by_rels):
|
||
raise UnsupportedTable(_abnormal("文件中两处登记的共享字符串表不一致"))
|
||
return by_rels
|
||
|
||
|
||
def _not_xlsx() -> str:
|
||
return ("无法打开该 Excel 文件：文件不是有效的 .xlsx（可能已损坏，或只是修改了扩展名）。"
|
||
"请在 Excel 中另存为 .xlsx 或 .csv 后重新上传")
|
||
|
||
|
||
# --------------------------------------------------------------------------
|
||
# 扫描
|
||
# --------------------------------------------------------------------------
|
||
|
||
|
||
def _broken() -> str:
|
||
return "无法打开该 Excel 文件：文件内容不完整或格式不正确。请在 Excel 中另存为 .xlsx 或 .csv 后重新上传"
|
||
|
||
|
||
def scan(raw: bytes) -> WorkbookScan:
|
||
"""xlsx 字节 → 版式元数据。读不了就抛 UnsupportedTable（message 给用户看）。"""
|
||
archive = _Archive(raw)
|
||
try:
|
||
return _scan(archive)
|
||
except UnsupportedTable:
|
||
raise
|
||
except (ET.ParseError, KeyError, ValueError, zipfile.BadZipFile, EOFError) as e:
|
||
# KeyError：压缩包里缺部件；ValueError：坐标、数字写坏了；ParseError：XML 不完整
|
||
raise UnsupportedTable(_broken()) from e
|
||
finally:
|
||
archive.zip.close()
|
||
|
||
|
||
def _scan(archive: _Archive) -> WorkbookScan:
|
||
# 先把每个条目的序言查一遍，再开始真正的解析：openpyxl 之后还要读样式、主题这些
|
||
# 这里不读的部件，DTD 的拒收要覆盖到它们（不看扩展名，见 _check_prolog）
|
||
xml_parts = [info for info in archive.zip.infolist() if not info.is_dir() and _check_prolog(
|
||
archive, info.filename, strict=info.filename.lower().endswith((".xml", ".rels")))]
|
||
overrides, defaults = _content_types(archive)
|
||
book_path = _book_path(archive, overrides, defaults)
|
||
book = archive.tree(book_path)
|
||
rels = archive.rels(book_path)
|
||
result = WorkbookScan()
|
||
|
||
sst_path = _shared_strings_path(rels, overrides, archive)
|
||
# 工作表和共享字符串表可以很大，按 MAX_XML_BYTES 和逐行的上限管。这里自己整份解析的小部件
|
||
# （内容类型清单、工作簿、关系文件、表格定义）经 _Archive.tree 按小部件管；openpyxl 整份解析、
|
||
# 这里不读的，在这里先查
|
||
for path in _openpyxl_parts(archive, rels, {info.filename for info in xml_parts}):
|
||
_check_small(archive, path)
|
||
|
||
sst_flags = _scan_shared_strings(archive, sst_path) if sst_path else None
|
||
|
||
sheet_names: list[str] = []
|
||
seen_names: dict[str, str] = {}
|
||
for el in book.iter():
|
||
local = _local(el.tag)
|
||
if local == "calcPr":
|
||
result.full_calc_on_load = el.get("fullCalcOnLoad") in ("1", "true")
|
||
elif local == "sheet":
|
||
rid = next((v for k, v in el.attrib.items() if k.endswith("}id")), None)
|
||
kind, path = rels.get(rid or "", ("", ""))
|
||
name = el.get("name") or ""
|
||
# Excel 的工作表名不区分大小写、不许重复。重名时 openpyxl 按名字取表会拿到第一个
|
||
# （可能是隐藏的那个），导入的内容就和回执说的对不上了
|
||
folded = name.casefold()
|
||
if folded in seen_names:
|
||
raise UnsupportedTable(_abnormal(
|
||
f"工作簿中有两个工作表同名（「{seen_names[folded]}」与「{name}」，工作表名不区分大小写）"))
|
||
seen_names[folded] = name
|
||
sheet_names.append(name)
|
||
# 图表工作表、对话框工作表没有单元格，openpyxl 的 worksheets 里也不含它们
|
||
if not kind.endswith("/worksheet") or path not in archive.names:
|
||
continue
|
||
sheet = SheetScan(name=name, state=el.get("state") or "visible", path=path)
|
||
# 表格对象先读：扫单元格时要用它的位置认出「销售表[金额]」这种结构化引用汇总了哪几行
|
||
tables = _scan_tables(archive, path, name)
|
||
result.tables.extend(tables)
|
||
_scan_sheet(archive, sheet, sst_flags, {t.name.casefold(): t for t in tables if t.name})
|
||
result.sheets.append(sheet)
|
||
|
||
for el in book.iter():
|
||
if _local(el.tag) != "definedName":
|
||
continue
|
||
name = el.get("name") or ""
|
||
local_id = el.get("localSheetId")
|
||
if local_id is not None and local_id.isdigit() and int(local_id) < len(sheet_names):
|
||
name = f"{sheet_names[int(local_id)]}!{name}"
|
||
result.defined_names[name] = (el.text or "").strip()
|
||
return result
|
||
|
||
|
||
#: openpyxl 按固定路径整份解析的部件：文档属性、自定义属性、样式（reader/excel.py、styles/stylesheet.py）
|
||
_OPENPYXL_FIXED = ("docProps/core.xml", "docProps/custom.xml", "xl/styles.xml")
|
||
|
||
|
||
def _openpyxl_parts(archive: _Archive, rels: dict[str, tuple[str, str]], xml_names: set[str]) -> list[str]:
|
||
"""openpyxl 只读打开时整份建树、而这里的扫描不读的 XML 部件。
|
||
|
||
只管真会被解析的：计算链、批注、透视表缓存这些部件可以很大（和公式数、数据行数成正比），
|
||
但没人解析它们，按小部件设限只会误拒正常文件。外部链接 openpyxl 默认也会读，导入时已关掉
|
||
（tabular._open_book 的 keep_links=False）。图表工作表连同它引用的绘图、图表一并算进来。
|
||
"""
|
||
out = [path for path in _OPENPYXL_FIXED if path in xml_names]
|
||
todo = [path for kind, path in rels.values() if kind.endswith("/chartsheet") and path in xml_names]
|
||
while todo:
|
||
path = todo.pop()
|
||
if path in out:
|
||
continue
|
||
out.append(path)
|
||
folder, _, name = path.rpartition("/")
|
||
rels_path = f"{folder}/_rels/{name}.rels" if folder else f"_rels/{name}.rels"
|
||
if rels_path in xml_names:
|
||
out.append(rels_path)
|
||
todo += [dep for _kind, dep in archive.rels(path).values() if dep in xml_names and dep not in out]
|
||
return out
|
||
|
||
|
||
def _scan_tables(archive: _Archive, sheet_path: str, sheet_name: str) -> list[TableScan]:
|
||
out = []
|
||
for tkind, tpath in archive.rels(sheet_path).values():
|
||
if not tkind.endswith("/table") or tpath not in archive.names:
|
||
continue
|
||
t = archive.tree(tpath)
|
||
columns = [c.get("name") or "" for c in t.iter() if _local(c.tag) == "tableColumn"]
|
||
out.append(TableScan(
|
||
name=t.get("displayName") or t.get("name") or "",
|
||
ref=t.get("ref") or "",
|
||
sheet=sheet_name,
|
||
totals_row_count=int(t.get("totalsRowCount") or 0),
|
||
header_row_count=int(t.get("headerRowCount") or 1),
|
||
columns=columns,
|
||
))
|
||
return out
|
||
|
||
|
||
def _text_info(container: ET.Element) -> tuple[bool, int]:
|
||
"""<si> 或 <is> 里的文字：(有没有非空白文字, 总字符数)。直接的 <t>，或者富文本 <r><t>；注音 <rPh> 不算。"""
|
||
nonblank, length = False, 0
|
||
for child in container:
|
||
local = _local(child.tag)
|
||
if local == "t":
|
||
text = child.text
|
||
if text:
|
||
length += len(text)
|
||
nonblank = nonblank or not text.isspace()
|
||
elif local == "r":
|
||
for t in child:
|
||
text = t.text
|
||
if text and _local(t.tag) == "t":
|
||
length += len(text)
|
||
nonblank = nonblank or not text.isspace()
|
||
return nonblank, length
|
||
|
||
|
||
def _text_nonblank(container: ET.Element) -> bool:
|
||
"""<si> 或 <is> 里有没有非空白文字。"""
|
||
return _text_info(container)[0]
|
||
|
||
|
||
def _scan_shared_strings(archive: _Archive, path: str) -> bytearray:
|
||
"""共享字符串表 → 每一项「非空」与否（1/0）。不还原全文：只需要知道引用它的格算不算空。
|
||
|
||
条目数、单个条目的文字长度和元素个数都设上限：openpyxl 会把整张表读进一个列表，
|
||
超出 Excel 自己上限的条目只可能是构造出来撑爆内存的。根下的元素处理完就摘掉
|
||
（不只是 <si>：写文件的程序塞进来的未知元素也一样），根下不留空壳。
|
||
"""
|
||
flags = bytearray()
|
||
root: ET.Element | None = None
|
||
depth = inner = 0
|
||
with closing(archive.open(path)) as source:
|
||
for event, el in ET.iterparse(source, events=("start", "end")):
|
||
if event == "start":
|
||
depth += 1
|
||
if root is None:
|
||
root = el
|
||
continue
|
||
depth -= 1
|
||
if depth > 1:
|
||
inner += 1 # 条目内部的元素：条目结束时随它一起清掉
|
||
if inner > MAX_SI_ELEMENTS:
|
||
raise UnsupportedTable(_abnormal("共享字符串表中有一个条目包含的元素过多"))
|
||
continue
|
||
if depth == 1:
|
||
inner = 0
|
||
if _local(el.tag) == "si":
|
||
if len(flags) >= MAX_SHARED_STRINGS:
|
||
raise UnsupportedTable(_abnormal(f"共享字符串表的条目超过 {MAX_SHARED_STRINGS:,} 条"))
|
||
nonblank, length = _text_info(el)
|
||
if length > EXCEL_MAX_TEXT:
|
||
raise UnsupportedTable(_abnormal(
|
||
f"共享字符串表中有一项文字超过 Excel 单元格的上限（{EXCEL_MAX_TEXT:,} 个字符）"))
|
||
flags.append(1 if nonblank else 0)
|
||
el.clear()
|
||
if root is not None:
|
||
root.remove(el) # 处理完就摘掉，根下不留空壳
|
||
return flags
|
||
|
||
|
||
#: 公式里的区域引用：C22:C25、$C$22:$C$25。前面紧挨着「!」的是别的工作表，不算
|
||
_RANGE_REF = re.compile(
|
||
r"(?<![A-Za-z0-9_.!$'])\$?([A-Za-z]{1,3})\$?(\d{1,7}):\$?([A-Za-z]{1,3})\$?(\d{1,7})(?![A-Za-z0-9_(])",
|
||
re.ASCII,
|
||
)
|
||
#: 任何像区域的写法（包括别的工作表的）：找单格引用之前先整个抹掉，免得把「B2:B9」的 B9 当成单格
|
||
_ANY_RANGE = re.compile(r"\$?[A-Za-z]{1,3}\$?\d{1,7}:\$?[A-Za-z]{1,3}\$?\d{1,7}", re.ASCII)
|
||
#: 单格引用：B2、$B$2。边界和 _RANGE_REF 一样；后面跟「(」的是函数名（LOG10(），跟「!」的是工作表名
|
||
_CELL_REF = re.compile(r"(?<![\w.!$'\]])\$?([A-Za-z]{1,3})\$?([0-9]{1,7})(?![\w(!:.\[])")
|
||
#: 字符串常量和带引号的工作表名：先抹掉，里面的「B2」不是引用。一条正则从左往右扫，谁先开头算谁
|
||
_QUOTED = re.compile(r'"(?:[^"]|"")*"|\'(?:[^\']|\'\')*\'')
|
||
#: 方括号（结构化引用的列名、外部工作簿的编号），最多两层
|
||
_BRACKETS = re.compile(r"\[(?:[^\[\]]|\[[^\[\]]*\])*\]")
|
||
#: 结构化引用的表名部分：「销售表[」。表名可以是中文
|
||
_TABLE_REF = re.compile(r"(?<![\w.!$'\]])([^\W\d][\w.]*)\[")
|
||
_SPECIALS = frozenset({"#all", "#data", "#headers", "#totals", "#this row"})
|
||
|
||
|
||
def _aggregates_above(formula: str, row: int, col: int, tables: dict[str, TableScan] | None = None) -> bool:
|
||
"""公式是不是汇总了本格正上方的几行。表内合计行（C26 = SUM(C22:C25)）是交叉表、多块报表的典型信号。
|
||
|
||
认三种写法：
|
||
- 区域：整个在本行之上、至少两行、列覆盖本格所在列（SUM(C22:C25)、SUBTOTAL(9,D2:D9)）；
|
||
- 逐格相加：单格引用至少两个，而且全都在本格正上方的同一列（B2+B3+B4、SUM(C2,C3,C4)）；
|
||
- 结构化引用：「销售表[金额]」指的明细行全在本行之上、列覆盖本格（tables 给出本工作表的表格对象，
|
||
键是 casefold 后的表名）。只引用表头、汇总行或本行（[#Totals]、[@金额]）的不算。
|
||
|
||
逐行算的公式（D3 = B3*C3）、累计（D3 = SUM(C$2:C3)，区域含本行）、滚动余额（C3 = C2+B3，
|
||
引用了别的列）、占比（D5 = C5/SUM(C$5:C$20)）都不满足。
|
||
"""
|
||
if ":" not in formula and "[" not in formula:
|
||
letters = col_letter(col)
|
||
if letters not in formula and letters.lower() not in formula:
|
||
return False # 快速路径：绝大多数逐行公式根本不引用本列
|
||
if tables and "[" in formula and _structured_above(formula, row, col, tables):
|
||
return True
|
||
text = _BRACKETS.sub("[]", _QUOTED.sub(lambda m: '""' if m.group(0)[0] == '"' else "'_'", formula))
|
||
for m in _RANGE_REF.finditer(text):
|
||
c1, r1, c2, r2 = _col_number(m.group(1)), int(m.group(2)), _col_number(m.group(3)), int(m.group(4))
|
||
if r1 > r2:
|
||
r1, r2 = r2, r1
|
||
if c1 > c2:
|
||
c1, c2 = c2, c1
|
||
if r2 < row and r2 > r1 and c1 <= col <= c2:
|
||
return True
|
||
refs = {(int(m.group(2)), _col_number(m.group(1))) for m in _CELL_REF.finditer(_ANY_RANGE.sub(" ", text))}
|
||
return len(refs) >= 2 and all(c == col and r < row for r, c in refs)
|
||
|
||
|
||
def _bracket(formula: str, start: int) -> str | None:
|
||
"""formula[start] 是「[」：返回配对的括号里的内容。「'」转义下一个字符。括号不成对时 None。"""
|
||
depth = 0
|
||
i = start
|
||
while i < len(formula):
|
||
ch = formula[i]
|
||
if ch == "'":
|
||
i += 2
|
||
continue
|
||
if ch == "[":
|
||
depth += 1
|
||
elif ch == "]":
|
||
depth -= 1
|
||
if depth == 0:
|
||
return formula[start + 1:i]
|
||
i += 1
|
||
return None
|
||
|
||
|
||
def _structured_above(formula: str, row: int, col: int, tables: dict[str, TableScan]) -> bool:
|
||
for m in _TABLE_REF.finditer(formula):
|
||
table = tables.get(m.group(1).casefold())
|
||
span = table.span() if table is not None else None
|
||
content = _bracket(formula, m.end() - 1) if span is not None else None
|
||
if table is None or span is None or content is None:
|
||
continue
|
||
content = content.strip()
|
||
items = re.findall(r"\[((?:[^\]']|'.)*)\]", content) if content.startswith("[") else [content]
|
||
items = [i.strip() for i in items]
|
||
specials = {i.lower() for i in items if i.lower() in _SPECIALS}
|
||
if "#this row" in specials or any(i.startswith("@") for i in items):
|
||
continue # 本行：逐行计算
|
||
if specials and not specials & {"#all", "#data"}:
|
||
continue # 只引用表头或汇总行
|
||
r1, c1, r2, c2 = span
|
||
data_lo = r1 + max(table.header_row_count, 0)
|
||
data_hi = r2 - max(table.totals_row_count, 0)
|
||
if data_lo > data_hi:
|
||
continue
|
||
bottom = r2 if "#all" in specials or "#totals" in specials else data_hi
|
||
if bottom >= row:
|
||
continue
|
||
lo, hi = c1, c2
|
||
names = [re.sub(r"'(.)", r"\1", i).casefold() for i in items if i and i.lower() not in _SPECIALS]
|
||
known = [n.casefold() for n in table.columns]
|
||
if names and all(n in known for n in names):
|
||
pos = [known.index(n) for n in names]
|
||
lo, hi = c1 + min(pos), c1 + max(pos)
|
||
if lo <= col <= hi:
|
||
return True
|
||
return False
|
||
|
||
|
||
def _descendants(el: ET.Element) -> int:
|
||
return sum(1 for _ in el.iter()) - 1
|
||
|
||
|
||
def _add_span(spans: list[tuple[int, int]], lo: int, hi: int) -> None:
|
||
if spans and spans[-1][1] + 1 >= lo:
|
||
spans[-1] = (spans[-1][0], max(spans[-1][1], hi))
|
||
else:
|
||
spans.append((lo, hi))
|
||
|
||
|
||
def _scan_sheet(archive: _Archive, sheet: SheetScan, sst_flags: bytearray | None,
|
||
tables: dict[str, TableScan] | None = None) -> None:
|
||
"""一张工作表流式扫一遍。按 OOXML 的元素顺序，合并区、筛选在 sheetData 之后，所以必须扫到底。
|
||
|
||
只要 end 事件，单元格在所在行结束时一起处理（这时行号、各格的子元素都齐了），处理完把行清空。
|
||
要 start 事件的话事件数翻倍，20 万行的表要多花一秒；代价是清空后的行还挂在 sheetData 下，
|
||
每行几十字节，行以外的元素也一直挂着。所以按 Excel 自己的上限设硬上限：行号和行数不超过
|
||
1,048,576、列号不超过 16,384，树上同时挂着的元素不超过 MAX_ALIVE（行清空时，它下面的
|
||
元素随之释放，从计数里减掉）；单元格文字、公式也按 Excel 的长度上限查。超了就拒收：
|
||
正常的文件到不了这些数，到了的只可能是构造出来撑爆内存的（几十 KB 的压缩包能解出几百万个空行）。
|
||
"""
|
||
tags = _SHEET_TAGS
|
||
sst_len = len(sst_flags) if sst_flags is not None else 0
|
||
min_row = min_col = 1 << 30
|
||
max_row = max_col = 0
|
||
nonempty = 0
|
||
far: list[str] = []
|
||
max_col_cell = max_row_cell = ""
|
||
cur_row = 0
|
||
hidden_rows = sheet.hidden_rows
|
||
formulas_uncached, formulas_above, errors = sheet.formulas_uncached, sheet.formulas_above, sheet.errors
|
||
|
||
alive = rows = 0
|
||
where = f"工作表「{sheet.name}」"
|
||
# 上限先取到局部变量：每个元素都要比一次，模块属性每次现查要多花时间（测试里照样能改模块常量）
|
||
max_alive, max_rows, max_cols = MAX_ALIVE, EXCEL_MAX_ROWS, EXCEL_MAX_COLS
|
||
max_text, max_formula = EXCEL_MAX_TEXT, EXCEL_MAX_FORMULA
|
||
|
||
with closing(archive.open(sheet.path)) as source:
|
||
for _event, el in ET.iterparse(source, events=("end",)):
|
||
alive += 1
|
||
if alive > max_alive:
|
||
raise UnsupportedTable(_abnormal(f"{where}包含的元素过多"))
|
||
name = tags.get(el.tag)
|
||
if name is None or name in ("c", "v", "f", "is"):
|
||
continue
|
||
if name != "row":
|
||
if name == "mergeCell":
|
||
ref = el.get("ref")
|
||
if ref:
|
||
sheet.merged_total += 1
|
||
if len(sheet.merged) < MAX_MERGED:
|
||
sheet.merged.append(ref)
|
||
el.clear()
|
||
elif name == "col":
|
||
if el.get("hidden") in ("1", "true"):
|
||
lo, hi = int(el.get("min") or 0), int(el.get("max") or 0)
|
||
if max(lo, hi) > max_cols:
|
||
raise UnsupportedTable(_abnormal(f"{where}超过 Excel 的列数上限（{max_cols:,} 列）"))
|
||
if lo and hi:
|
||
_add_span(sheet.hidden_cols, lo, hi)
|
||
elif name == "autoFilter":
|
||
sheet.autofilter = el.get("ref")
|
||
elif name == "dimension":
|
||
sheet.dimension = el.get("ref")
|
||
continue
|
||
|
||
r = el.get("r")
|
||
row = int(r) if r else cur_row + 1
|
||
cur_row = row
|
||
rows += 1
|
||
if row > max_rows or rows > max_rows:
|
||
raise UnsupportedTable(_abnormal(f"{where}超过 Excel 的行数上限（{max_rows:,} 行）"))
|
||
if el.get("hidden") in ("1", "true"):
|
||
_add_span(hidden_rows, row, row)
|
||
col = 0
|
||
#: 这一行清空时随之释放的元素个数（行本身的空壳留着，不算）
|
||
freed = 0
|
||
for cell in el:
|
||
freed += 1
|
||
if tags.get(cell.tag) != "c":
|
||
if len(cell):
|
||
freed += _descendants(cell)
|
||
continue
|
||
ref = cell.get("r")
|
||
if ref:
|
||
letters = ref.rstrip(_DIGITS)
|
||
col = _col_number(letters)
|
||
else:
|
||
col += 1
|
||
if col > max_cols:
|
||
raise UnsupportedTable(_abnormal(f"{where}超过 Excel 的列数上限（{max_cols:,} 列）"))
|
||
ctype = cell.get("t") or "n"
|
||
v_el = f_el = is_el = None
|
||
inline_filled, inline_len = False, 0
|
||
for child in cell:
|
||
freed += 1
|
||
cname = tags.get(child.tag)
|
||
if cname == "v":
|
||
v_el = child
|
||
elif cname == "f":
|
||
f_el = child
|
||
else:
|
||
# <is> 下的文字、未知元素下的子孙也随行释放。<v>、<f> 正常没有子元素：
|
||
# 构造出来的子元素不减，只会让计数偏大、更早拒收
|
||
if len(child):
|
||
freed += _descendants(child)
|
||
if cname == "is":
|
||
is_el = child
|
||
inline_filled, inline_len = _text_info(child)
|
||
vtext = v_el.text if v_el is not None else None
|
||
if inline_len > max_text or (vtext is not None and len(vtext) > max_text):
|
||
raise UnsupportedTable(_abnormal(
|
||
f"{where}的单元格 {cell_ref(row, col)} 中的文字超过 Excel 的上限（{max_text:,} 个字符）"))
|
||
if f_el is not None and f_el.text and len(f_el.text) > max_formula:
|
||
raise UnsupportedTable(_abnormal(
|
||
f"{where}的单元格 {cell_ref(row, col)} 中的公式超过 Excel 的上限（{max_formula:,} 个字符）"))
|
||
if ctype == "s":
|
||
if vtext:
|
||
idx = int(vtext)
|
||
filled = sst_flags[idx] == 1 if 0 <= idx < sst_len and sst_flags is not None else True
|
||
else:
|
||
filled = False
|
||
elif ctype == "inlineStr":
|
||
filled = inline_filled
|
||
elif ctype == "str":
|
||
filled = bool(vtext and vtext.strip())
|
||
else:
|
||
filled = bool(vtext)
|
||
if ctype == "e" and vtext:
|
||
errors.add(row, col)
|
||
if f_el is not None:
|
||
sheet.formulas += 1
|
||
# 公式返回空字符串时 Excel 写 t="str" 加空的 <v>：那是有缓存的空值，不算「无缓存」
|
||
if v_el is None or (not vtext and ctype != "str"):
|
||
formulas_uncached.add(row, col)
|
||
ftext = f_el.text
|
||
if ftext and _aggregates_above(ftext, row, col, tables):
|
||
formulas_above.add(row, col, ftext)
|
||
filled = True # 有公式的格不算空，哪怕缓存值是空的
|
||
if not filled:
|
||
continue
|
||
nonempty += 1
|
||
if row < min_row:
|
||
min_row = row
|
||
if col < min_col:
|
||
min_col = col
|
||
# 同一个格子可能既往右又往下跳得很远（XFD1048576）：只记一次
|
||
jumped = False
|
||
if col > max_col:
|
||
jumped = bool(max_col) and col - max_col > FAR_COL_JUMP
|
||
max_col = col
|
||
max_col_cell = cell_ref(row, col)
|
||
if row > max_row:
|
||
jumped = jumped or (bool(max_row) and row - max_row > FAR_ROW_JUMP)
|
||
max_row = row
|
||
max_row_cell = cell_ref(row, col)
|
||
if jumped and len(far) < MAX_FAR:
|
||
far.append(cell_ref(row, col))
|
||
el.clear()
|
||
alive -= freed
|
||
|
||
sheet.nonempty = nonempty
|
||
if nonempty:
|
||
sheet.bounds = Bounds(min_row, min_col, max_row, max_col)
|
||
# 没有明显的跳跃（比如区域是慢慢变稀的），就拿撑出右边界、下边界的格子当示例
|
||
sheet.far_cells = far or list(dict.fromkeys(c for c in (max_col_cell, max_row_cell) if c))
|