如何用Roo从.xlsx提取纯文本？解决特殊字符转HTML标签问题

嘿，我之前也碰到过Roo处理xlsx和xls文件时的这种差异，给你几个实用的解决办法：

为啥会出现这个问题？ #

简单说，Roo处理xlsx和xls用的是不同的底层解析逻辑：xls文件的解析器会直接提取纯文本，但xlsx的解析器默认会保留单元格里的富文本格式标记（就是你看到的那些奇怪的转义符号），所以才会出现两种文件格式返回结果不一样的情况。

解决方案来了 #

1. 用value方法直接取纯文本（最推荐）

当你从xlsx的单元格取值时，别直接用默认的返回值，调用单元格对象的value属性就行——这个属性就是专门用来提取不带格式的原始纯文本的：

# 打开xlsx文件
spreadsheet = Roo::Spreadsheet.open(path_to_file, extension: :xlsx)
target_sheet = spreadsheet.sheet(0) # 取第一个工作表

# 遍历行并清理每个单元格
target_sheet.each_row do |row|
  cleaned_row = row.map { |cell| cell&.value } # 用&.避免nil报错
  puts cleaned_row.inspect
end

亲测这个方法最有效，不管单元格里有啥格式标记，value都会给你返回干净的纯文本，和xls文件的处理结果一致。

2. 手动清理格式标记（备用方案）

如果某些特殊场景下value方法没起作用（比如极端的富文本格式），你可以用正则表达式手动清理那些多余的标记。比如针对你提到的\hello\ world\这种格式，写个清理方法：

def clean_xlsx_text(raw_text)
  return raw_text unless raw_text.is_a?(String)
  # 替换掉所有\包裹的内容，再去掉前后空格
  raw_text.gsub(/\\[^\\]*\\/, '').strip
end

# 使用示例
spreadsheet = Roo::Spreadsheet.open(path_to_file, extension: :xlsx)
target_sheet = spreadsheet.sheet(0)

target_sheet.each_row do |row|
  cleaned_row = row.map { |cell| clean_xlsx_text(cell.to_s) }
  puts cleaned_row.inspect
end

注意这个正则可以根据你实际遇到的标记格式调整，如果是HTML实体的话，还可以用CGI.unescapeHTML来处理，但你描述的是反斜杠包裹的格式，上面的正则就够用。

3. 升级Roo到最新版本

有时候这种问题是旧版本的bug，你可以试试把Roo和它的依赖包升级到最新版，说不定官方已经修复了这个格式解析的问题：

bundle update roo roo-xlsx

最后验证 #

按上面的方法处理后，xlsx文件里带特殊格式的单元格应该就能和xls文件一样，返回纯纯的hello world啦！

内容的提问来源于stack exchange，提问作者akira