❝企业 80% 的数据藏在 Excel 里。如何让大模型真正"读懂"这些表格数据？本文基于 LlamaIndex 0.14.19 源码，拆解 Excel 索引建立的完整机制。
❞
为什么 Excel 对 RAG 来说很棘手？
做 RAG（检索增强生成）时，PDF、Word 这类文档本质是"一段段文字"，切分起来相对自然。
但 Excel 不一样——它是「结构化的二维表格」。直接把单元格的值拼成一串文字，AI 就丢失了"哪个值属于哪一列"的关键信息。
LlamaIndex 的解法是：「把列名（表头）和每个单元格的值绑定在一起」，让每一行数据都自带语义上下文。
方案一：PandasExcelReader（默认，开箱即用）
这是 LlamaIndex 的「内置默认方案」。当你用 SimpleDirectoryReader 加载一个目录时，框架会自动识别 .xls / .xlsx 文件，并调用 PandasExcelReader 来处理。
它是怎么工作的？
一句话概括：
「Excel → pandas 读取 → 每行转成 "列名: 值" 的文本 → 封装成 Document」
举个例子，你有这样一张表：
经过 PandasExcelReader 处理后，会变成这样的文本：
姓名: 张三, 职位: 工程师, 部门: 技术部
姓名: 李四, 职位: 设计师, 部门: 设计部
每一行数据都带上了列名，AI 就能准确理解"张三是工程师"而不是把"张三"和"设计师"搞混。
最简用法
from llama_index.core import SimpleDirectoryReader, VectorStoreIndex
# 把 Excel 文件放到 data 目录下，一行代码搞定
documents = SimpleDirectoryReader("./data").load_data()
index = VectorStoreIndex.from_documents(documents)
# 开始提问
query_engine = index.as_query_engine()
response = query_engine.query("技术部有哪些人？")
进阶配置
from llama_index.readers.file import PandasExcelReader
reader = PandasExcelReader(
concat_rows=False, # 每行生成一个独立 Document（适合大表格）
sheet_name=0, # 只读第一个 Sheet（默认读所有 Sheet）
pandas_config={ # 传给 pandas 的参数
"usecols": "A:D", # 只读 A~D 列
"nrows": 1000, # 只读前 1000 行
}
)
documents = SimpleDirectoryReader(
"./data",
file_extractor={".xlsx": reader, ".xls": reader}
).load_data()
「concat_rows 怎么选？」
- 表格小于 100 行 → 用
True（默认），保持完整上下文 - 表格超过 1000 行 → 用
False，每行独立成 Document，检索更精准 - 每行语义独立（如 FAQ 列表） → 用
False
方案二：StructuredDataReader（精细控制）
默认方案把所有列都塞进正文。但很多时候，你只想检索部分列的内容，其他列作为辅助信息。
StructuredDataReader 就是为这个场景设计的——「你可以指定哪些列进正文、哪些列进 metadata」。
为什么需要这个？
假设你有一张销售数据表：
如果把所有列都放进正文做向量检索，"订单号"和"日期"这类字段会引入噪音。更好的做法是：
- 「Metadata」（用于过滤）：订单号、金额、日期
用法示例
from llama_index.readers.structured_data import StructuredDataReader
from llama_index.core import SimpleDirectoryReader
reader = StructuredDataReader(
col_index=["客户名称", "产品"], # 这些列的内容进入正文
col_metadata=["订单号", "金额", "日期"] # 这些列作为 metadata
)
documents = SimpleDirectoryReader(
"./data",
file_extractor={".xlsx": reader}
).load_data()
生成的 Document：
- 「metadata」 =
{"订单号": "ORD001", "金额": 8999, "日期": "2024-01-15"}
这样，向量检索只匹配"客户+产品"，而日期、金额等字段可以用 metadata filter 做精确过滤。
安装
pip install llama-index-readers-structured-data
方案三：UnstructuredReader（万能但较重）
如果你的文件格式多样，不只有 Excel，还有 PDF、Word、PPT 混在一起，可以考虑 UnstructuredReader。它基于 Unstructured.io 库，支持数十种文件格式。
from llama_index.readers.file import UnstructuredReader
reader = UnstructuredReader()
documents = reader.load_data(file=Path("data.xlsx"))
需要额外安装 unstructured 库，且体积较大。对于纯 Excel 场景，前两种方案更轻量。
完整流程图
读完 Excel 只是第一步。从文件到可查询的索引，完整链路如下：
📄 Excel 文件
↓ Reader 读取
📝 Document (text + metadata)
↓ NodeParser 分块
🧩 TextNode[]
↓ Embedding 模型向量化
🔢 向量
↓ 写入 VectorStore
🗄️ 索引建立完成 → 可查询
三种方案怎么选？
踩坑提醒
「1. 别忘了装 openpyxl」
PandasExcelReader 底层依赖 openpyxl，没装会直接报错：
pip install openpyxl
「2. 大表格别用 concat_rows=True」
所有行合并成一个 Document，文本可能达到几十万字符，后续分块和向量化都会出问题。大表格请设 concat_rows=False。
「3. 合并单元格的坑」
Excel 中的合并单元格，pandas 只会在左上角单元格保留值，其余位置读出来是空值。LlamaIndex 会把空值替换为空字符串，但语义上可能不完整。建议在导入前先取消合并单元格。
「4. 多 Sheet 要注意」
默认会读取所有 Sheet。如果你的 Excel 里有很多辅助性的 Sheet（如"说明""模板"），建议指定 sheet_name 参数，只读取目标 Sheet。
写在最后
Excel 在企业中无处不在，让 AI 能高效检索表格数据，是 RAG 落地中绕不过的关键一步。
LlamaIndex 的设计思路很清晰：「把结构化数据转换为带语义上下文的自然语言文本」，然后复用整个 RAG 管线。三种方案覆盖了从"开箱即用"到"精细控制"的不同需求。
建议从默认的 PandasExcelReader 开始，如果发现检索效果不理想、噪音太多，再切换到 StructuredDataReader 做精细化控制。
本文分析基于 LlamaIndex v0.14.19 源码。
粤ICP备14082021号
免费POC，
零成本试错
