python - 如何使用 Python 读取 excel Unicode 字符

Question

我收到一个 Excel 文件，我无法影响其内容。它包含一些 Unicode 字符，例如“á”或“é”。

我的代码一直没有改变，但是我从 Eclipse Juno 迁移到 LiClipse 一起迁移到不同的 python 包(从 2.5 到 2.6)。原则上，我使用的特定包在 win32com 包上有一个工作版本。

当我读取 Excel 文件时，我的代码在使用 str() 提取和转换为字符串时崩溃。控制台输出如下:

UnicodeEncodeError: 'ascii' codec can't encode character u'\xe1' in position 89: ordinal not in range(128)

为了更具体，我执行以下操作:

读取Excel:

  xlApp = Dispatch("Excel.Application")

  excel = xlApp.Workbooks.Open(excel_location)

在内部循环中，我提取单元格的值:

cell_value = self.excel.ActiveSheet.Cells(excel_line + 1, excel_column + 1)

最后，如果我尝试将 cell_value 转换为 str，则会崩溃:

print str(cell_value)

如果我转到 Excel 并删除非 ASCII 字符，一切都会顺利进行。我试过这个encode proposal .我在谷歌上搜索过的任何其他解决方案都建议以特定格式保存文件，但我做不到。

让我感到困惑的是，代码之前使用相同的输入 Excel 是可以工作的，但是对 LiClipse 和 2.6 Python 的这种更改杀死了一切。

知道我该如何进步吗？

Answer 1

这是在 Python 2.x 中使用 UTF-8 编码的 Unicode 数据时的常见问题。在 2.4 和 2.7 之间的几个地方对此的处理发生了变化，因此您突然遇到错误也就不足为奇了。

错误的来源是 print:在 Python 2.x 中，print 不会尝试假设您的终端支持什么编码。它只是播放保存并假定 ascii 是唯一受支持的字符集(这意味着 0 到 127 之间的字符都可以，其他一切都会出错)。

现在您将 COMObject 转换为字符串。就 Python 2.x 而言，str 只是一堆字节(值 0 到 255)。它没有编码。

将两者结合起来会带来麻烦。当 Python 打印时，它尝试验证输入(字符串)并突然发现 UTF-8 编码的字符(UTF-8 添加了这些奇怪的 \xe1 标记，告诉解码器下一个字节是特殊的某种方式；check Wikipedia for the gory details)。

这就是 ascii 编码器说:抱歉，这帮不了你。

这意味着你可以使用这个值，比较它等等，但你不能打印它。打印问题的简单解决方法是:

s = str(cell_value) # Convert COM -> UTF-8 encoded string
print repr(s) # repr() converts anything to ascii

如果你的终端支持 UTF-8，那么你需要告诉 Python:

import sys
import codecs

sys.stdout = codecs.getwriter('utf8')(sys.stdout)

您还应该查看 sys.stdout.encoding，它告诉您 Python 当前认为输出编码是/应该是什么。正确配置 Python 2 后(如现代 Linux 发行版)，应自动使用正确的输出编解码器。

相关:

• Python 2 Unicode howto
• Pragmatic Unicode, or, How do I stop the pain?
• Setting the correct encoding when piping stdout in Python