用 LlamaIndex 让 AI 读懂你的 Excel：三种方案详解

企业中 80% 的数据都藏在 Excel 表格里。但做过 RAG 的朋友都知道，让大模型真正“读懂”这些表格，远比处理 PDF 或 Word 文档要棘手。今天，就基于 LlamaIndex 0.14.19 的源码，把 Excel 索引建立的三种方案拆开揉碎了讲清楚。

为什么 Excel 对 RAG 来说很棘手？

做 RAG 的时候，PDF、Word 这些文档本质上是一段段连续的文字，切分起来相对自然。但 Excel 完全不同——它是结构化的二维表格。如果只是简单地把所有单元格的值拼成一段文字，AI 就会丢失“哪个值属于哪一列”这个关键信息。

LlamaIndex 的解法非常巧妙：把列名（也就是表头）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。这样一来，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。

方案一：PandasExcelReader——开箱即用的默认方案

这是 LlamaIndex 内置的默认处理方式。当你用 SimpleDirectoryReader 加载一个目录时，框架会自动识别 .xls 或 .xlsx 文件，并调用 PandasExcelReader 来处理。

它的工作原理可以一句话概括：Excel → pandas 读取 → 每行转成“列名: 值”的文本 → 封装成 Document。

举个例子，有一张这样的表：

经过处理后，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，语义清晰。最简用法也极其简单：

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？")

如果表格很大或者需要更精细的控制，可以通过参数调整：

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()

关于 concat_rows 的选择，经验是：表格小于 100 行，用 True 保持完整上下文；超过 1000 行，用 False 让每行独立成 Document，检索更精准；如果每行语义独立，比如 FAQ 列表，用 False；如果行间关联紧密，比如财务报表，用 True。

方案二：StructuredDataReader——精细控制检索粒度

默认方案把所有列都塞进正文。但很多时候，你可能只想检索部分列的内容，其他列作为辅助信息或过滤条件。StructuredDataReader 就是为了这个场景设计的——你可以指定哪些列进正文、哪些列进 metadata。

假设有一张销售数据表：

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：正文只用“客户名称”和“产品”用于向量匹配，而“订单号”“金额”“日期”作为 metadata，可以用过滤器做精确筛选。

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 中，text 字段是“王五, 笔记本电脑”，metadata 字段包含订单号、金额和日期。向量检索只匹配客户和产品，而日期、金额等字段可以通过 metadata filter 做精确过滤，大大提升检索效率。

安装时别忘了：

pip install llama-index-readers-structured-data

方案三：UnstructuredReader——万能但偏重的备选

如果文件格式多样，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"))

不过，它需要额外安装 unstructured 库，体积较大。对于纯 Excel 场景，前两种方案更轻量高效。

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

有几个容易忽略的细节需要特别留意：

PandasExcelReader 底层依赖 openpyxl，没装会直接报错：

pip install openpyxl

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。

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。

默认会读取所有 Sheet。如果你的 Excel 里有很多辅助性的 Sheet（比如“说明”“模板”），建议指定 sheet_name 参数，只读取目标 Sheet，避免噪音。

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 开始尝试，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。