| Files | Last commit | Last update |
|---|---|---|
| 3 days ago | ||
| 3 days ago | ||
| 3 days ago |
两份 Excel 10 万行核对：VLOOKUP 为什么会漏掉重复键
A 表 100,143 行，B 表 100,343 行，全量索引跑出 943 条差异。
同一份数据换成 VLOOKUP 的首条匹配，只剩 743 条，漏检 343 条，还多报 143 条。
漏掉的不是 343 个格子，是 343 个主键组里被首条匹配挡住的后续行。
我把这件事做成了一个单文件网页，两个引擎并排跑，差异、行号、原因都能点开看。
图 1：同一份数据，全量索引 943 条差异，VLOOKUP 743 条，漏检 343、误报 143。
页面不读 .xlsx 二进制，也不上传数据。复制粘贴或导入 CSV/TSV，计算全在浏览器里。
一、结论：VLOOKUP 只认第一条
VLOOKUP 的规则是找到第一条就返回，不是把所有匹配都列出来。
主键一重复，B 表第二条及以后的行就进不了结果。
更隐蔽的是 A 表自己也有重复行。
VLOOKUP 会拿 A 的第二行去比 B 的第一行，算出一条「修改」，可两边根本不是同一对。
| 主键分布 | 组数 | 全量索引看到什么 | VLOOKUP 首条看到什么 | 结果 |
|---|---|---|---|---|
| A 1 行 / B 2 行 | 200 | B 多出的行记新增 | 第二条被忽略 | 漏检 200 行 |
| A 2 行 / B 2 行 | 143 | 第二对金额差 88.8，记修改 | 拿 A 第二行比 B 第一行 | 漏检 143 行 + 误报 143 条 |
两组一加，漏检 343 行，误报 143 条。
我拿 Python 按同一套演示规则重算了一遍，四个数对得上：新增 300、删除 100、修改 543、重复主键 343 组。
二、为什么值得看：一次可复现的对照实验
讲 VLOOKUP 漏数据的文章不少，大多停在「要注意重复值」。
真到核对 10 万行订单，你需要知道漏了多少、漏在哪一行、另一套算法能不能补上。
我把演示数据的随机种子固定成 20261106，谁打开页面点两下，都会得到同一组数字。
这比一张「核对完成」的截图更有用。
能对上号的场景不少：财务对账、订单导出对比、库存表、两份名单。
共同点是主键可能重复，而且人眼翻不过来。
三、页面怎么用：三步拿到差异表
第一步，点「生成 10 万行演示数据」，或者把两张表粘进左右两个框。
第二步，点字段名设主键，比较列会自动匹配同名列；多列主键用逗号分隔。
第三步，点「运行核对」，在全部、新增、删除、修改、重复主键之间切换。
我实际点了一遍。
导入、设主键、跑核对、切到「重复主键」、点开 ORD-000022，右侧直接给出 A 表 1 行、B 表 2 行、B 后续 1 行被忽略。
图 3：重复主键 343 组，每一组都能看到 A/B 行数与被忽略的行数。
图 2：点开一条修改，右侧并排显示两侧原始行，金额差异用橙色标出。
差异表支持翻页，点任意行都能看原始行对照。
底部还有「内置自检」，16 条断言覆盖解析、两个引擎、导出和 5 条失败路径。
四、双引擎的分工
解析层先把文本变成表。
分隔符按前 5 行的列数是否稳定来判断，不靠数谁出现得多。
重复表头会自动加后缀，比如两个「金额」变成「金额」和「金额_2」。
多列主键用不可见字符拼接，避免「北京+12」和「北京1+2」撞成同一个键。
空主键直接拦下，报出第几行、哪个字段。
全量引擎给两张表各建一张 Map，key 是主键，value 是这个主键下的所有行。
同一个主键按出现顺序配对：第 1 行对第 1 行，第 2 行对第 2 行。
多出来的行分别记新增或删除，单元格差异按「主键+字段」去重。
VLOOKUP 引擎只保留每个主键的第一行。
A 表逐行查，B 表独有的主键补成新增。
它更快，但重复键的后续行天然看不到。
| 指标 | 全量索引 | VLOOKUP 首条 |
|---|---|---|
| 差异条数 | 943 | 743 |
| 漏检 | — | 343 |
| 误报 | — | 143 |
| 本机耗时 | 110.3~126.4 ms | 83.3~110.1 ms |
耗时用 performance.now() 量，同一台机器三次运行的范围，不是理论值。
五、16 项自检与 10 万行实测验证
自检用的是 5 行小样本，两个引擎的期望值都写死。
| 分组 | 条数 | 关键断言 |
|---|---|---|
| 解析 | 2 | TSV 5 行 4 列；CSV 引号内逗号与双引号 |
| 全量引擎 | 3 | 新增 1、删除 1、修改去重 3 |
| 重复主键 | 1 | id=2 只有 1 组 |
| VLOOKUP | 3 | 忽略 1 行、漏检 1 行、漏检与误报同时出现 |
| 导出 | 2 | 差异 CSV 行数、合并去重 5 个主键 |
| 失败路径 | 5 | 空主键、列名不存在、主键不一致、缺比较列、未导入 |
| 合计 | 16 | 页面显示 16/16 通过 |
页面显示 16/16 通过。
10 万行这组数据也是固定种子生成的，A 表 100,143 行，B 表 100,343 行。
为什么不是整 10 万：演示数据故意插了重复行和新增行。
B 表每 1000 行删 1 行，共 100 行；补 100 条全新订单；再加 343 条重复主键的额外行。
A 表补 143 条第二行。
生成耗时 66.2 ms，全量核对 126.4 ms，VLOOKUP 110.1 ms。
我另外用 Python 复算了一遍：300 新增、100 删除、543 修改、343 组重复主键，和页面一致。
图 4：16 条自检全部通过，失败数为 0。
六、两个真实边界：自检没覆盖，我手工测出来的
第一条在分隔符。
我粘了一段 Tab 分隔的内容，其中一列是「北京,朝阳,三里屯」。
页面把它判成了 CSV，因为全文的逗号比 Tab 多。
结果表头只剩一列，后面的地址被静默丢掉。
修法不是调阈值，而是看前 5 行的列数是否稳定。
同样的内容现在解析成 2 列，CSV 里的引号逗号也不会误判。
第二条在多列主键的顺序。
A 表主键填「城市,订单号」，B 表填「订单号,城市」。
校验只比较了排序后的集合，认为两张表一致，放行了。
拼 key 时却按输入顺序拼，两个 key 永远对不上。
两张完全一样的 2 行表，页面报新增 2 行、删除 2 行。
修法是拼 key 前先按列名排序，两张表就用同一个顺序。
补完后，同样两张表是 0 新增、0 删除、0 修改。
这两条目前靠手工验证，自检里还没有对应的固定用例。
改完逻辑，16 条自检仍然全过，10 万行的 943/743/343 也没变。
失败路径也测过。
清空 A 表再点运行，页面顶部直接给错误码和下一步。
提示原文是「A 表尚未导入数据。请粘贴 Excel 内容、导入 CSV/TSV，或点击「生成 10 万行演示数据」」。
图 5：清空数据后点运行，页面给出 NO_DATA_A，并保留空表状态。
七、能力边界
- 只认 CSV/TSV 文本，不解析 .xlsx 二进制。Excel 文件要先另存为 CSV，或者复制单元格粘贴。
- 比较是 trim 后的字符串精确比较。29.9 和 29.90 会算不同，2025-01-01 和 2025/01/01 也会算不同。
- 不支持公式、合并单元格和多工作表，导入前要整理成一张平表。
- 10 万行能跑，数据常驻内存；再大就要分片。
- 空主键会被拦下，不会替你猜。
这几条不是功能清单，是我实际踩到的边界。
八、准备环境：打开码道 Web
码道有三种使用方式：WebUI（浏览器对话）、TUI（终端命令行）和桌面 IDE（IDE 插件）。
这个页面用 WebUI 版生成。入口是：
登录后直接输入需求，不需要装软件。
试玩和源码在 Demo Park：
打开 index.html 就能用，不需要构建，也没有后端依赖。
九、使用码道体会
- 先定验收数字，再让 AI 写。这次先定 100,143、100,343、943、343 四个数，生成后逐个对。
- 自检要渲染到页面上。16 条断言能点、能看，文章里的测试数才有出处。
- 小样本自检和十万行实测一起做。5 行样本保证规则对，十万行保证不崩。
- 边界输入单独测。分隔符、主键顺序、空值，这三类不会自己出现在演示数据里。
- 让两个算法并排跑。差异不只是有没有，还要看差多少、差在哪。
- 错误提示写到人能照着做。报第几行、哪个字段、下一步点什么，比一句格式错误有用。
十、总结
VLOOKUP 不是错，它只是按设计只返回第一条。
两份表一旦有重复主键，首条匹配就会同时带来漏检和误报。
要核对得干净，先把主键去重，或者改用全量索引。
页面和 10 万行演示数据都在上面的链接里，点开就能复现这组数字。