EasyExcel 流式处理中实现末尾行过滤的技术方案

背景

在处理大规模 Excel 数据导入时，常遇到文件末尾包含汇总行的情况。这类汇总数据不应被导入业务表，但在流式处理模式下，传统的"读取总行数再减N"的方式无法应用。本文介绍一种基于延迟缓冲区的解决方案。

问题分析

传统方案的局限性

方案一：全量加载后过滤

java 复制代码

List<Row> allRows = readAllRows(file);
for (int i = 0; i < allRows.size() - skipEndRows; i++) {
    process(allRows.get(i));
}

缺陷：违背流式处理的设计初衷，大文件场景下易导致 OOM。

方案二：直接流式处理

java 复制代码

void invoke(RowData row) {
    // 边读边处理，但无法判断当前行是否为末尾行
}

缺陷：在逐行回调模式下，当前行的位置信息不足以判断其是否属于需要跳过的末尾区间。

技术方案

核心思想

采用固定窗口延迟缓冲机制 ：维护一个大小为 skipEndRows 的滑动窗口，仅处理窗口溢出的数据，确保末尾 N 行始终保留在缓冲区内，直到文件读取完毕后被自动丢弃。

实现原理

使用 LinkedList 作为延迟缓冲区
每读取一行数据，追加至缓冲区尾部
当缓冲区大小超过 skipEndRows 时，从队列头部移除一行并提交处理
文件读取完成后，缓冲区内剩余的 skipEndRows 行数据自动随对象销毁而丢弃

流程示意图

以 skipEndRows = 1 为例，处理包含 5 行数据 + 1 行汇总的文件：

阶段	触发事件	delayBuffer 状态	batchRowData	操作说明
1	invoke(row1)	`[row1]`	`[]`	size=1 ≤ skipEndRows，暂不处理
2	invoke(row2)	`[row2]`	`[row1]`	size=2 > 1，移除 row1 加入批次
3	invoke(row3)	`[row3]`	`[row1, row2]`	移除 row2
4	invoke(row4)	`[row4]`	`[row1, row2, row3]`	移除 row3
5	invoke(row5)	`[row5]`	`[row1, ..., row4]`	移除 row4
6	invoke(汇总行)	`[汇总]`	`[..., row5]`	移除 row5，汇总行滞留
7	doAfterAllAnalysed()	`[汇总]`	`[]`	处理剩余批次，不处理缓冲区
8	GC 回收	`null`	-	缓冲区对象销毁，汇总行丢弃

代码实现

抽象基类核心逻辑

java 复制代码

protected void processExcelFileStreaming(Path filePath, int batchSize, 
                                        BiConsumer<Map<Integer, String>, List<Map<Integer, String>>> batchProcessor) throws Exception {
    
    final Map<Integer, String> headerRowMap = new HashMap<>();
    final List<Map<Integer, String>> batchRowData = new ArrayList<>(batchSize);
    final int skipEndRows = skipEndRowCount();
    final LinkedList<Map<Integer, String>> delayBuffer = new LinkedList<>();
    
    EasyExcel.read(filePath.toFile(), new AnalysisEventListener<Map<Integer, Object>>() {
        
        @Override
        public void invoke(Map<Integer, Object> data, AnalysisContext context) {
            // 省略：表头解析、空行过滤等预处理逻辑
            
            Map<Integer, String> rowData = convertToStringMap(data);
            
            // 延迟缓冲机制：入队
            delayBuffer.add(rowData);
            
            // 当缓冲区溢出时，出队并提交处理
            if (delayBuffer.size() > skipEndRows) {
                Map<Integer, String> eligibleRow = delayBuffer.removeFirst();
                batchRowData.add(eligibleRow);
                
                // 批次满时触发回调
                if (batchRowData.size() >= batchSize) {
                    batchProcessor.accept(headerRowMap, new ArrayList<>(batchRowData));
                    batchRowData.clear();
                }
            }
        }
        
        @Override
        public void doAfterAllAnalysed(AnalysisContext context) {
            // 处理批次尾部数据
            if (!batchRowData.isEmpty()) {
                batchProcessor.accept(headerRowMap, new ArrayList<>(batchRowData));
                batchRowData.clear();
            }
            // 关键：delayBuffer 内的 skipEndRows 行数据在此被隐式丢弃
        }
    }).sheet(getTargetSheetIndex()).headRowNumber(0).doRead();
}

模板方法设计

java 复制代码

public abstract class AbstractBaseExcelParser {
    
    /**
     * 钩子方法：返回需跳过的末尾行数
     * 子类可覆写以适配不同业务场景
     */
    protected int skipEndRowCount() {
        return 0;  // 默认不跳过
    }
}

@Component
public class FinancialStatementParser extends AbstractBaseExcelParser {
    
    @Override
    protected int skipEndRowCount() {
        return 1;  // 跳过汇总行
    }
}

技术细节

EasyExcel 回调时机分析

doAfterAllAnalysed() 的触发条件：

EasyExcel 内部实现伪代码：

java 复制代码

public void doRead() {
    int totalRows = sheet.getLastRowNum();  // Excel 内部元数据记录总行数
    
    for (int i = 0; i <= totalRows; i++) {
        Row row = sheet.getRow(i);
        listener.invoke(parseRow(row), context);
    }
    
    // 循环结束后触发
    listener.doAfterAllAnalysed(context);
}

Excel 文件结构说明：

.xlsx 文件本质是 ZIP 压缩包，其中 xl/worksheets/sheet1.xml 包含元数据：

xml 复制代码

<worksheet>
    <dimension ref="A1:C1001"/>  <!-- 数据范围元信息 -->
    <sheetData>
        <row r="1">...</row>
        <!-- ... -->
        <row r="1001">...</row>
    </sheetData>
</worksheet>

EasyExcel 解析 <dimension> 标签即可获知总行数，从而判断读取结束时机。

方案总结

优势

内存可控 ：占用量仅为 O(batchSize + skipEndRows)，与文件大小无关
逻辑清晰：核心实现仅 3 行代码，可读性强
扩展性好：通过模板方法模式支持子类灵活配置跳过行数

适用场景

大规模 Excel 数据导入
文件末尾包含汇总/统计行
内存受限环境
需要边读边处理的流式场景

参考资料

EasyExcel 官方文档