AWS Glue是否支持处理含多工作表的xlx/xlsx电子表格文件？

AWS Glue 3.0及以上版本可以处理这类带多个工作表的Excel文件，但默认配置存在局限，需要针对性调整配置才能覆盖所有工作表的读取需求，具体细节如下：

• 原生支持的能力范围
  Glue 3.0、4.0版本（对应Spark 3.1、3.3运行时）内置了Excel格式解析组件，无需额外上传第三方依赖包，即可兼容读取S3存储桶内的xls（Excel 97-2003格式）、xlsx（OpenXML格式）文件，支持常规单元格数据类型识别、表头行配置，解析稳定性满足生产级文件转储需求。
• 默认配置的常见问题
  如果直接用Glue Crawler扫描S3路径下的Excel文件建表，或者直接调用DynamicFrame读取接口不额外加参数，默认只会读取每个Excel文件的第一个工作表，同文件下其他工作表的内容会被完全忽略，这也是很多新用户处理Excel时容易踩的问题。
• 多工作表读取的落地方法
  两种常用方案，根据业务场景选择即可：
  1. 固定工作表场景：如果客户上传的所有Excel文件的工作表数量、名称/顺序是固定的，直接在读取配置里通过sheetName或sheetIndex参数指定目标工作表，分多次读取同一个文件路径下的不同sheet，拿到多个DynamicFrame之后再做合并或者单独转储即可，参考代码：

     from awsglue.context import GlueContext
     from pyspark.context import SparkContext
     
     sc = SparkContext()
     glueContext = GlueContext(sc)
     
     # 读取第一个工作表（索引从0开始计数）
     dyf_sheet0 = glueContext.create_dynamic_frame.from_options(
         connection_type="s3",
         connection_options={"paths": ["s3://你的业务桶/客户上传路径/"]},
         format="excel",
         format_options={
             "sheetIndex": 0,
             "header": True
         }
     )
     
     # 读取第二个工作表
     dyf_sheet1 = glueContext.create_dynamic_frame.from_options(
         connection_type="s3",
         connection_options={"paths": ["s3://你的业务桶/客户上传路径/"]},
         format="excel",
         format_options={
             "sheetIndex": 1,
             "header": True
         }
     )
     

  2. 动态工作表场景：如果客户上传的Excel工作表数量、名称不固定，直接利用Glue运行环境自带的openpyxl（处理xlsx）、xlrd（处理xls）库，先遍历拿到每个Excel文件内的所有工作表名称清单，再循环调用上面的读取接口拉取每个sheet的数据即可，不需要提前维护工作表配置。
• 生产环境注意事项
  • 不要用Glue 2.0及更早版本处理Excel，老版本没有内置解析器，需要自己打包依赖，版本冲突、解析失败的问题非常多。
  • 如果单文件体积超过1GB、单工作表行数超过100万，建议调大executor内存配置，避免任务OOM失败。
  • 解析器对特殊格式的处理逻辑：合并单元格只会保留左上角单元格的有效值，公式单元格会返回公式计算后的静态结果，嵌入式图片、宏、控件这类非单元格内容会直接忽略，如果客户的文件里有这类特殊内容，需要提前对齐数据校验规则。

内容的提问来源于stack exchange，提问作者nehlo_kimchen