如何用Openpyxl自动修复PDF转Excel后的无效XML错误，无需手动保存？

原因分析 #

PDF转Excel工具生成的文件存在XML格式缺陷，导致openpyxl无法直接解析。手动打开并保存时，Excel会自动修复这些XML错误，因此后续openpyxl能正常处理；但用openpyxl直接加载并保存的方法行不通——因为openpyxl本身无法解析有问题的XML，连加载操作都无法完成。

方案1：用Excel自动化修复文件（Windows平台） #

通过pywin32库调用Excel程序，模拟手动打开保存的操作，先修复所有源文件，再用openpyxl处理。

步骤： #

1. 安装依赖：

pip install pywin32

2. 添加修复文件的函数：

import os
import win32com.client as win32

def repair_excel_file(file_path):
    excel = win32.gencache.EnsureDispatch('Excel.Application')
    excel.Visible = False  # 后台运行，不显示Excel窗口
    try:
        # 打开文件时启用修复模式
        wb = excel.Workbooks.Open(file_path, CorruptLoad=1)  # CorruptLoad=1对应Excel的修复模式
        wb.Save()  # 保存修复后的文件
        wb.Close()
    except Exception as e:
        print(f"修复文件 {file_path} 失败: {e}")
    finally:
        excel.Quit()

3. 在处理文件前先批量修复：

import openpyxl as xl

inFolder = "....path to files"
outFile = ("...path to Data Database.xlsx")

# 先修复所有源文件
for inFile in os.listdir(inFolder):
    if inFile.endswith('.xlsx'):  # 仅处理Excel文件
        f = os.path.join(inFolder, inFile)
        repair_excel_file(f)

# 再用openpyxl处理修复后的文件
for inFile in os.listdir(inFolder):
    if inFile.endswith('.xlsx'):
        f = os.path.join(inFolder, inFile)
        wb1 = xl.load_workbook(f)
        ws1 = wb1.worksheets[0]
        # 执行后续数据提取、写入数据库的逻辑...

方案2：用LibreOffice无头模式修复（跨平台） #

如果是Linux/macOS环境，或不想依赖Excel，可以用LibreOffice的命令行工具转换文件，自动修复格式问题：

Python调用示例： #

import subprocess
import os

def repair_with_libreoffice(file_path, temp_output_dir):
    try:
        # 用LibreOffice转换修复文件
        subprocess.run([
            'libreoffice',
            '--headless',
            '--convert-to', 'xlsx',
            '--outdir', temp_output_dir,
            file_path
        ], check=True, capture_output=True)
        # 将修复后的文件覆盖原文件（可选，建议先备份源文件）
        repaired_file = os.path.join(temp_output_dir, os.path.basename(file_path))
        os.replace(repaired_file, file_path)
    except subprocess.CalledProcessError as e:
        print(f"修复文件失败: {e.stderr.decode()}")

注意事项 #

• 方案1需安装Excel软件，仅适用于Windows平台。
• 方案2需安装LibreOffice，跨平台但可能需根据系统调整命令参数。
• 修复操作会覆盖原文件，建议先备份源文件再执行。

内容的提问来源于stack exchange，提问作者user22005575