为什么相同的数据在文本文件中要比在Excel文件中占用更多的空间？

我有大约100000行数据。如果我以文本文件格式存储此数据，则比以Excel文件格式存储数据要占用更多的空间。这是为什么？

现代Excel使用的xlsx格式实际上是压缩格式。这是一个ZIP存档，其中包含具有特定结构的文本（XML）文件。

如果使用类似的ZIP压缩工具压缩纯文本文件，则应该获得类似的文件大小。

此外，正如布拉德利·乌夫纳（Bradley Uffner）和摩根（Morgen）在评论中所提到的，Excel将对相同的字符串进行重复数据删除，并仅存储它们的一个副本。我不确定这种方法的确切收益，它取决于您的数据集，但是简单的zip压缩可能会带给您大部分帮助。^1个

9.1.3物理包装

每个Office Open XML文档都实现为ZIP存档。

— ECMA-376-1：2016

¹我的猜测是，当您有多个工作表时，这种重复数据删除最有效，因为zip压缩独立地应用于存档中的每个文件，并且一次仅应用于数据的有限部分-通过将所有字符串一起存储在单个文件中，应该为以后的压缩带来一些好处。实际上，如果您的纯文本格式仍在单个文件中，则可能几乎没有区别。

给出的答案是正确的，这是由于Excel将您的数据存储为xml。也正是由于这个原因，有效地对数据进行排序也会减少文件的大小。自己测试-说您有类似的数据

A            B                              C
John         Smith-Johnson-Williamson       12345
Sally        Smith-Johnson-Williamson       67890
John         Williams                       34567

如果仅按C（具有所有或几乎所有唯一值的列）排序，则B的相同值将不相邻。在Excel的xml中，它看起来像这样：

<12345><John><Smith-Johnson-Williamson>
<34567><John><Williams>
<67890><Sally><Smith-Johnson-Williamson>

如果按B（具有共同值的列）排序，则相同的值相邻。在Excel的xml中，它看起来像这样：

<Smith-Johnson-Williamson><John><12345>
  <Sally><67890>
<Williams><John><34567>

由于该长字符串是相同且相邻的，因此Excel知道它可以将它们打包在一起，就像人们编写列表时一样，并且要重复上述行的一部分，他们使用引号而不是重新编写相同的内容。在调查中，我没有发现共享字符串字典的任何证据-只是此缩进代替了重复的字段值。

我仅在11个州寄出了250,000个客户的邮件列表，每条记录上都有一个字段，该字段是标识他们获得的报价的两个字符串之一。由于某些原因，我们的员工习惯于按口头地址查找人们，因此我们先按要约求助，然后说出：邮政编码，城市，街道名称，街道编号，最后是地址行2，文件大小显着减小。我检查了文件的解压缩xml，以各种方式对其进行了排序，以查看发生了什么，以上就是我得出的结论。如果有多个字段的字符数超过5个，但值是有限的（例如，票证配置为“已解决”，“已拒绝”，“已批准”等），

如果您有3.14159265359之类的数字，则需要13个字节才能将其存储在文本文件中；如果将此数字存储为浮点数，则仅需要4个字节。