Python处理旧版Excel(.xls)文件实战指南

1. 为什么需要处理旧版Excel (.xls)文件？

在企业数据迁移和传统系统维护场景中，我们经常会遇到2003年以前生成的.xls格式文件。这种二进制文件格式虽然已被微软淘汰，但至今仍广泛存在于财务系统、医疗档案等对格式稳定性要求极高的领域。我去年参与某银行历史数据迁移项目时，就遇到过需要解析15年前生成的贷款记录文件的情况。

与新版.xlsx采用的XML压缩格式不同，.xls文件使用BIFF（Binary Interchange File Format）编码。这种格式最大的特点是：

• 文件结构包含Workbook、Worksheet等二进制记录流
• 单元格数据以特定字节标记存储
• 最大支持65536行×256列的数据量

2. 核心工具选型与对比

2.1 xlrd/xlwt组合方案

这对黄金搭档是处理.xls文件最经典的方案。我在处理2010年之前的财务报表时，xlrd的稳定性从未让我失望过。安装只需一行命令：

bash复制pip install xlrd==1.2.0 xlwt

实际读取示例：

python复制import xlrd

# 打开1997-2003格式的Excel文件
book = xlrd.open_workbook("legacy_data.xls")

# 获取第一个工作表
sheet = book.sheet_by_index(0)

# 读取A1单元格
cell_value = sheet.cell_value(0, 0)

写入操作需要注意格式控制：

python复制import xlwt

workbook = xlwt.Workbook(encoding='utf-8')
sheet = workbook.add_sheet('Sheet1')

# 设置字体样式
style = xlwt.XFStyle()
font = xlwt.Font()
font.bold = True
style.font = font

# 写入带样式的数据
sheet.write(0, 0, '重要数据', style)
workbook.save('output.xls')

注意：xlrd 2.0+版本已移除.xls支持，必须指定1.2.0版本

2.2 pandas的兼容方案

虽然pandas主要依赖openpyxl处理新格式，但通过指定引擎仍可支持旧格式：

python复制import pandas as pd

# 读取
df = pd.read_excel("old_file.xls", engine='xlrd')

# 写入
df.to_excel("new_old_format.xls", engine='xlwt', index=False)

实测对比：

3. 实战中的典型问题解决方案

3.1 编码问题处理

早期.xls文件常使用本地化编码（如GB2312），建议统一转码：

python复制from xlrd import open_workbook

def safe_cell_value(cell):
    if isinstance(cell.value, str):
        try:
            return cell.value.encode('latin1').decode('gbk')
        except:
            return cell.value
    return cell.value

book = open_workbook('gbk_encoded.xls')
sheet = book.sheet_by_index(0)
print(safe_cell_value(sheet.cell(0,0)))

3.2 合并单元格处理

旧格式的合并单元格需要特殊解析：

python复制merged_cells = sheet.merged_cells
for (rlo, rhi, clo, chi) in merged_cells:
    if row_idx >= rlo and row_idx < rhi:
        if col_idx >= clo and col_idx < chi:
            value = sheet.cell_value(rlo, clo)

3.3 日期转换陷阱

Excel的日期存储为1900年以来的天数（但存在1900年闰年bug）：

python复制from datetime import datetime, timedelta

def excel_date_to_python(date_num):
    if date_num > 59:
        date_num -= 1  # 修正1900年闰年错误
    return datetime(1899, 12, 30) + timedelta(days=date_num)

4. 高级应用场景

4.1 大数据量分块处理

对于接近65536行限制的文件，建议分块读取：

python复制chunk_size = 5000
for i in range(0, sheet.nrows, chunk_size):
    chunk = [sheet.row_values(j) for j in range(i, min(i+chunk_size, sheet.nrows))]
    process_chunk(chunk)

4.2 与新版Excel的互操作

转换到新格式的建议工作流：

1. 用xlrd读取旧文件
2. 用openpyxl创建新工作簿
3. 按需迁移数据和格式

python复制from openpyxl import Workbook

new_wb = Workbook()
new_ws = new_wb.active

for row in range(sheet.nrows):
    for col in range(sheet.ncols):
        new_ws.cell(row=row+1, column=col+1).value = sheet.cell_value(row, col)

5. 性能优化技巧

通过实践总结的提速方法：

1. 禁用格式检查（提升20%读取速度）：

python复制book = xlrd.open_workbook("file.xls", formatting_info=False)

2. 批量写入数据时先收集再写入：

python复制data_buffer = []
for item in big_dataset:
    data_buffer.append(process_item(item))
    
for i, row in enumerate(data_buffer):
    for j, value in enumerate(row):
        sheet.write(i, j, value)

3. 使用临时文件减少内存占用：

python复制import tempfile

with tempfile.NamedTemporaryFile() as tmp:
    workbook.save(tmp.name)
    post_process(tmp.name)

在处理某制造业十年生产数据时，这些技巧帮助我将处理时间从3小时缩短到25分钟。特别提醒：xlwt不支持修改已有文件，必须全量写入，对于大文件要特别注意内存管理。