R语言readxl包读取企业导出XLS文件报错及替代方案问询

你遇到的是企业导出的非标准XLS文件的典型问题：这类文件本质是HTML、XML或分隔符文本，仅后缀被修改为.xls，Excel打开时会自动做格式兼容转换，保存后就成为标准XLS文件，因此手动打开后readxl可正常读取。Python的读取库默认会自动嗅探文件实际格式，因此不会触发报错。
以下是无Java依赖的解决方案：

方案1：调整readxl参数并升级版本 #

readxl 1.4.0及以上版本优化了对非标准XLS格式的识别，先升级包，读取时先取消强制列类型指定，确认列数后再做计算：

# 升级readxl
install.packages("readxl")
library(readxl)

# 原有逻辑调整
for (i in 1:length(file.names)){
  file <- paste(path,sep="\\",file.names[i])
  print(paste("Reading ", file))
  # 自动识别列格式，增加猜测行数避免误判
  dados <- read_excel(file, col_types = NULL, guess_max = 1000)
  # 校验列数是否符合要求
  if(ncol(dados) < column) {
    warning(paste(file, "列数不足，已跳过"))
    next
  }
  # 注意用双括号提取列，新增na.rm避免NA值导致求和错误
  somaVar <- sum(dados[[column]], na.rm = TRUE)
  vari <- append(vari,c(somaVar))
}

方案2：读取伪XLS（HTML格式） #

如果文件实际为HTML格式的表格（大部分企业导出的伪XLS都属于这类），可以用rvest包直接读取，无额外依赖：

if (!require("rvest")) {install.packages("rvest"); library("rvest")}

dados <- read_html(file) %>% 
  html_table(header = TRUE) %>% 
  .[[1]]

方案3：用rio包自动适配格式 #

rio包会自动嗅探文件实际格式，自动匹配最优读取方式，兼容性更强：

if (!require("rio")) {install.packages("rio"); library("rio")}

dados <- import(file)

小提示：读取前可以先用readLines(file, n = 5)打印文件前5行，确认如果是分隔符文本可以直接用read.delim读取，效率更高

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