使用 xlrd 打开 Excel 文件时出现编码错误

Question

我正在尝试使用 xlrd 打开 Excel 文件 (.xls)。 这是我正在使用的代码的摘要：

import xlrd
workbook = xlrd.open_workbook('thefile.xls')

这适用于大多数文件，但不适用于我从特定组织获得的文件。 当我尝试从该组织打开 Excel 文件时出现的错误如下。

Traceback (most recent call last):
  File "<console>", line 1, in <module>
  File "/app/.heroku/python/lib/python2.7/site-packages/xlrd/__init__.py", line 435, in open_workbook
    ragged_rows=ragged_rows,
  File "/app/.heroku/python/lib/python2.7/site-packages/xlrd/book.py", line 116, in open_workbook_xls
    bk.parse_globals()
  File "/app/.heroku/python/lib/python2.7/site-packages/xlrd/book.py", line 1180, in parse_globals
    self.handle_writeaccess(data)
  File "/app/.heroku/python/lib/python2.7/site-packages/xlrd/book.py", line 1145, in handle_writeaccess
    strg = unpack_unicode(data, 0, lenlen=2)
  File "/app/.heroku/python/lib/python2.7/site-packages/xlrd/biffh.py", line 303, in unpack_unicode
    strg = unicode(rawstrg, 'utf_16_le')
  File "/app/.heroku/python/lib/python2.7/encodings/utf_16_le.py", line 16, in decode
    return codecs.utf_16_le_decode(input, errors, True)
UnicodeDecodeError: 'utf16' codec can't decode byte 0x40 in position 104: truncated data

这看起来好像 xlrd 试图打开一个用非 UTF-16 编码的 Excel 文件。 我怎样才能避免这个错误？ 文件是否以有缺陷的方式写入，或者是否只是导致问题的特定字符？ 如果我打开并重新保存 Excel 文件，xlrd 可以毫无问题地打开文件。

我试过用不同的编码覆盖打开工作簿，但这也不起作用。

我试图打开的文件在这里可用：

https://dl.dropboxusercontent.com/u/6779408/Stackoverflow/AEPUsageHistoryDe​​tail_RequestID_00183816.xls

此处报告的问题： https : //github.com/python-excel/xlrd/issues/128

Answer 1

他们用什么来生成那个文件？

他们正在使用一些 Java Excel API（见下文，此处链接），可能在 IBM 大型机或类似主机上。

从堆栈跟踪中，写访问信息无法解码为 Unicode，因为 @ 字符。

有关 XLS 文件格式的写访问信息的更多信息，请参阅5.112 WRITEACCESS或第 277 页。

此字段包含保存文件的用户的用户名。

import xlrd
dump = xlrd.dump('thefile.xls')

在原始文件上运行 xlrd.dump 给出

   36: 005c WRITEACCESS len = 0070 (112)
   40:      d1 81 a5 81 40 c5 a7 83 85 93 40 c1 d7 c9 40 40  ????@?????@???@@
   56:      40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40  @@@@@@@@@@@@@@@@
   72:      40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40  @@@@@@@@@@@@@@@@
   88:      40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40  @@@@@@@@@@@@@@@@
  104:      40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40  @@@@@@@@@@@@@@@@
  120:      40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40  @@@@@@@@@@@@@@@@
  136:      40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40  @@@@@@@@@@@@@@@@

使用 Excel 或在我的情况下使用 LibreOffice Calc 重新保存后，写入访问信息将被类似的内容覆盖

 36: 005c WRITEACCESS len = 0070 (112)
 40:      04 00 00 43 61 6c 63 20 20 20 20 20 20 20 20 20  ?~~Calc         
 56:      20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
 72:      20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
 88:      20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
104:      20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
120:      20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
136:      20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20

根据编码为 40 的空格，我相信编码是 EBCDIC，当我们将d1 81 a5 81 40 c5 a7 83 85 93 40 c1 d7 c9 40 40为 EBCDIC 时，我们得到Java Excel API 。

所以是的，在 BIFF8 及更高版本的情况下，文件以有缺陷的方式写入，它应该是一个 unicode 字符串，而在 BIFF3 到 BIFF5 中，它应该是 CODEPAGE 信息中编码中的字节字符串

 152: 0042 CODEPAGE len = 0002 (2)
 156:      12 52                                            ?R

1252 是 Windows CP-1252 (Latin I) (BIFF4-BIFF5)，它不是EBCDIC_037 。

xlrd 尝试使用 unicode 的事实意味着它确定文件的版本为 BIFF8。

在这种情况下，您有两个选择

1. 在使用 xlrd 打开文件之前修复文件。 您可以使用转储检查非标准输出的文件，然后如果是这种情况，您可以使用 xlutils.save 或其他库覆盖写访问信息。

2. 修补xlrd以处理您的特殊情况，在handle_writeaccess添加一个 try 块并将 strg 设置为 unpack_unicode 失败时的空字符串。

以下片段

 def handle_writeaccess(self, data):
        DEBUG = 0
        if self.biff_version < 80:
            if not self.encoding:
                self.raw_user_name = True
                self.user_name = data
                return
            strg = unpack_string(data, 0, self.encoding, lenlen=1)
        else:
            try:
                strg = unpack_unicode(data, 0, lenlen=2)
            except:
                strg = ""
        if DEBUG: fprintf(self.logfile, "WRITEACCESS: %d bytes; raw=%s %r\n", len(data), self.raw_user_name, strg)
        strg = strg.rstrip()
        self.user_name = strg

和

workbook=xlrd.open_workbook('thefile.xls',encoding_override="cp1252")

似乎成功打开文件。

如果没有编码覆盖，它会抱怨ERROR *** codepage 21010 -> encoding 'unknown_codepage_21010' -> LookupError: unknown encoding: unknown_codepage_21010

Answer 2

这对我有用。

import xlrd

my_xls = xlrd.open_workbook('//myshareddrive/something/test.xls',encoding_override="gb2312")