百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

[MyExcel] 和阿里Easyexcel的异同

ztj100 2024-11-05 13:27 20 浏览 0 评论


其实很不情愿写这篇文章。

一方面是因为文章发出去后肯定会被不少人喷,大概率会说,开源就把代码写好,别一天天想碰瓷蹭流量,毕竟Easyexcel是阿里的,已经快30kstar了,众所周知,你是什么档次?。

另外一方面是因为MyExcel开源已经四年,说长不长说短不短,现在也已经快有1.6k的star,虽然和Easyexcel 差距很大,但本人也已经很满足,早已过了博眼球的阶段,所以对这种大概率会招骂的行为实在不感冒。

之所以写,主要还是因为偶尔还是会有人问我两者之间的区别,另外我也希望能够通过这篇文章让大家对是否要使用MyExcel有比较清晰的认知,避免误用耽误事。

废话不多说,以下是我总结的核心的四点差异:

MyExcel是完全声明式工具包,而Easyexcel是半声明式的工具包

什么是声明式?用过Java8的stream都应该知道,相比于以前的for循环,新的stream不用关心元素是如何迭代的,只需要关注怎么处理就行,类似,你只需要告诉MyExcel你想要什么样的效果就可以,比如单元格背景是绿色的,而不用关心怎么用POI来实现,这样基本屏蔽了对POI的感知,开发起来会觉得非常简单。

而Easyexcel其实有部分功能也是声明式的,但也有很多需要大家主动去操作POI,比如合并单元格等,所以说Easyexcel 是半声明式工具包。

这两种其实各有好处,完全声明式可以让开发变得简单,但是灵活性就会相对低一些,毕竟越底层越灵活,但MyExcel的声明式基本历经四年的开发以及较大范围的使用,已经能够满足日常大部分场景需要,而且作者也在不断新增功能,用爱发电,所以只要不是太个性化使用MyExcel都没什么太大问题。

MyExcel 更适合高度复杂的Excel导出

这句话其实有点心虚,有段时间没有去关注过Easyexcel 了,不知道是不是已经实现了,最近还是据说Easyexcel 的作者从阿里离职了才关注了下。

MyExcel 最开始叫Html2Excel,看名字就明白,它最初的核心能力就是利用各类模板引擎生成HTML来实现高复杂度的Excel导出。

这样说可能不直观,大家可以想一种场景,导出的数据标题是不固定的,除了常规的行标题,还有最左侧的列标题,而且还需要合并单元格,根据不同数据类别设置背景颜色,还需要有汇总等等,阁下该如何应对?

使用最原始的Excel 模板已经难以实现,这时,我们就可以利用模板引擎,如freemarker ,来动态渲染HTML Table,然后工具包根据Table的单元格迭代成需要导出的Excel,这是MyExcel的核心能力,所以说它更适合高度复杂Excel的导出。

Easyexcel 功能更广

毫无疑问,Easyexcel 是一个非常优秀的工具包,导入低内存,估计它应该至少是国内第一个实现的。

比较重要的一点,是它支持Excel模板导出,这点作者非常汗颜,很早之前就想做了,但限于个人精力一直没有实现。

而且前面也提到它是半声明式的,用户可以主动操作单元格,这就可以实现很多POI直接支持的功能。

封装程度不同

Easyexcel 改造过POI底层,比如解压等等,所以内存控制方面应该也会更优秀些。

MyExcel 是完全在POI上层进行抽象封装,不做POI的任何改动,这样一旦POI升级,就可以快速升级,不用顾虑改造带来的影响。

各有利弊吧。

最后

以上,就是个人总结的核心差异,当然,因认知有限可能还有其他差异未列出,并非有意为之,尽请谅解。

相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: