如何在EC2 Linux环境下从Amazon S3读取XLS文件并转换为XLSX后保存回S3

我之前刚好处理过类似的企业级需求，完全符合你提出的「不落地本地文件」「仅Linux兼容」约束，给你两个靠谱的方案：

方案一：Python内存流式处理（推荐集成到现有应用） #

这个方案全程在内存中完成转换，无需将文件保存到EC2本地磁盘，依赖的库都是跨平台的Linux友好型。

所需依赖 #

先安装必要的Python包：

pip install boto3 xlrd==1.2.0 openpyxl python-dotenv

• boto3：AWS官方SDK，用于操作S3存储桶
• xlrd==1.2.0：注意要指定1.x版本，因为2.0+不再支持读取XLS格式文件
• openpyxl：用于创建和写入XLSX格式文件

完整代码示例 #

import boto3
from io import BytesIO
import xlrd
from openpyxl import Workbook

def convert_xls_to_xlsx_in_s3(bucket_name, source_key, target_key):
    # 初始化S3客户端
    s3 = boto3.client('s3')
    
    # 从S3读取XLS文件到内存BytesIO对象
    response = s3.get_object(Bucket=bucket_name, Key=source_key)
    xls_file = BytesIO(response['Body'].read())
    
    # 用xlrd解析XLS文件
    xls_workbook = xlrd.open_workbook(file_contents=xls_file.getvalue())
    
    # 创建新的XLSX工作簿
    xlsx_workbook = Workbook()
    
    # 遍历XLS的每个工作表，复制到XLSX中
    for sheet_idx in range(xls_workbook.nsheets):
        xls_sheet = xls_workbook.sheet_by_index(sheet_idx)
        # 如果是第一个工作表，用默认创建的，否则新建
        if sheet_idx == 0:
            xlsx_sheet = xlsx_workbook.active
            xlsx_sheet.title = xls_sheet.name
        else:
            xlsx_sheet = xlsx_workbook.create_sheet(title=xls_sheet.name)
        
        # 逐行复制数据
        for row_idx in range(xls_sheet.nrows):
            row_data = xls_sheet.row_values(row_idx)
            xlsx_sheet.append(row_data)
    
    # 将XLSX文件写入内存BytesIO对象
    xlsx_file = BytesIO()
    xlsx_workbook.save(xlsx_file)
    xlsx_file.seek(0)  # 重置文件指针到开头
    
    # 上传转换后的XLSX文件回S3
    s3.put_object(
        Bucket=bucket_name,
        Key=target_key,
        Body=xlsx_file
    )
    print(f"转换完成：s3://{bucket_name}/{source_key} -> s3://{bucket_name}/{target_key}")

# 调用示例
if __name__ == "__main__":
    BUCKET = "your-bucket-name"
    SOURCE_XLS_KEY = "path/to/source/file.xls"
    TARGET_XLSX_KEY = "path/to/target/file.xlsx"
    convert_xls_to_xlsx_in_s3(BUCKET, SOURCE_XLS_KEY, TARGET_XLSX_KEY)

注意事项 #

• 对于超大文件（比如几十GB），内存流式处理可能会占用较多EC2内存，这种情况可以考虑分块读取/写入，或者结合EC2的临时存储优化
• 如果XLS文件包含复杂样式、公式或宏，xlrd/openpyxl可能无法完全保留，这种情况可以看方案二

方案二：LibreOffice Headless模式（适合复杂格式文件） #

如果你的XLS文件有复杂的格式、公式或宏，Python库可能处理不好，可以用Linux下的LibreOffice无头模式来转换，仅使用EC2的临时目录（/tmp）存储临时文件，转换完成后立即删除，符合企业对“不落地持久化本地文件”的要求。

步骤 #

1. 在EC2 Linux实例上安装LibreOffice：

# 以Amazon Linux 2为例
sudo amazon-linux-extras install libreoffice
# 或者Ubuntu/Debian
sudo apt-get install libreoffice --no-install-recommends

2. 编写Shell脚本（结合AWS CLI）：

#!/bin/bash

BUCKET="your-bucket-name"
SOURCE_KEY="path/to/source/file.xls"
TARGET_KEY="path/to/target/file.xlsx"
TEMP_DIR="/tmp/s3-convert"

# 创建临时目录
mkdir -p $TEMP_DIR
cd $TEMP_DIR

# 下载XLS到临时目录
aws s3 cp s3://$BUCKET/$SOURCE_KEY ./source.xls

# 用LibreOffice无头模式转换
libreoffice --headless --convert-to xlsx ./source.xls --outdir ./

# 上传转换后的XLSX回S3
aws s3 cp ./source.xlsx s3://$BUCKET/$TARGET_KEY

# 清理临时文件
rm -rf $TEMP_DIR

echo "转换完成：s3://$BUCKET/$SOURCE_KEY -> s3://$BUCKET/$TARGET_KEY"

优缺点 #

• 优点：完美支持复杂格式、公式和宏，转换准确率高
• 缺点：需要安装LibreOffice，依赖较大；临时文件会短暂存放在/tmp目录（重启EC2后自动清除）

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