Java APACHE POI EXCEL XmlException:是无效的XML字符，是否有任何方法预处理EXCEL文件？

我使用java和ApachePOI读取.xlsx文件（60k+行），但我得到了错误

我使用poi和xmlbeans的最新版本maven插件

根据我在StackOverflow中发现的相关问题，最新的poi应该能够成功地处理具有特殊字符的文件

如果是xml文件，我可以自己替换程序中的特殊字符。但它是一个excel文件

困难在于我不知道如何使用poi成功读取“excel”文件

或者是否有任何方法来处理该文件

我使用openjdk，版本：“1.8.0_171-1-redhat”

错误消息如下所示

Caused by: java.io.IOException: unable to parse shared strings table
    at org.apache.poi.xssf.model.SharedStringsTable.readFrom(SharedStringsTable.java:134)
    at org.apache.poi.xssf.model.SharedStringsTable.<init>(SharedStringsTable.java:111)
    ... 11 more
Caused by: org.apache.xmlbeans.XmlException: error: Character reference "&#55357" is an invalid XML character.
    at org.apache.xmlbeans.impl.store.Locale$SaxLoader.load(Locale.java:3440)
    at org.apache.xmlbeans.impl.store.Locale.parseToXmlObject(Locale.java:1272)
    at org.apache.xmlbeans.impl.store.Locale.parseToXmlObject(Locale.java:1259)
    at org.apache.xmlbeans.impl.schema.SchemaTypeLoaderBase.parse(SchemaTypeLoaderBase.java:345)
    at org.openxmlformats.schemas.spreadsheetml.x2006.main.SstDocument$Factory.parse(Unknown Source)
    at org.apache.poi.xssf.model.SharedStringsTable.readFrom(SharedStringsTable.java:123)

pom.xml

        <dependency>
          <groupId>org.apache.poi</groupId>
          <artifactId>poi</artifactId>
          <version>4.0.0</version>
        </dependency>
        <dependency>
          <groupId>org.apache.poi</groupId>
          <artifactId>poi-ooxml</artifactId>
          <version>4.0.0</version>
        </dependency> 

---

由于您的问题标题包含“是否有任何方法预处理excel文件？”的问题，我将尝试回答以下问题：

假设：

---

*.xlsx

文件中的

/xl/sharedStrings.xml

包含UTF-16-代理项对xml数字字符引用，如

和#55357�

=在

ticket.xlsx

ZIP存档中的

/xl/sharedStrings.xml

肯定有问题。那

ticket.xlsx

文件来自哪里？如果您使用

Excel

打开

ticket.xlsx

会发生什么？Excel文件来自我们的业务合作伙伴（中文）。当我用Excel打开文件时，它看起来很好。我相信如果没有文件

ticket.xlsx

，几乎不可能提供帮助。如果您使用

Excel

打开

ticket.xlsx

，是否使用

Excel

重新保存它？

apachepoi

是否能够正确读取共享字符串XML？如果解压

ticket.xlsx

并提取

/xl/sharedStrings.xml

，会发生什么情况？您是否能够使用浏览器或XML读取器正确打开此XML文件？很抱歉，我无法公开这些文件，并且无法正确打开XML文件。我猜内容包含特殊字符。“我猜内容包含特殊字符。”：特殊字符不会是问题。但是

和#55357

不是特殊字符，而是0xFFFF以上unicode字符的UTF-16代理项对的一部分。此字符引用不能出现在Office Open XML中，因为那里的编码必须是UTF-8。因此，您的

ticket.xlsx

确实在

/xl/sharedStrings.xml

中被破坏了。我非常感谢您为解决方案提供的所有帮助。我已经使用java来解压文件，并获取sharedStrings.xml进行解析。但是，I stll不能替换所有可能的UTF-16代理项对XML数字字符引用。你知道吗？或者可以给我一些提示吗？另一个问题是字符串值包含多个UTF-16代理项对XML数字字符引用。如下所示���������@蒋迈克：我只是假设有像

和#55357�。你从来没有在你的问题中说过。但在你的问题中，你应该至少用一些例子来说明这一点，以使问题更加清楚。然后下一步是在XML文本中查找所有这些引用，如果找到，则用Unicode替换它们。这值得再问一个问题。人们想到了多种可能性：解析为UTF-16HTML，然后将该HTML转换为Unicode UTF-8。或者从找到的代理项对H和L计算Unicode N:
N=（H-0xD800）*0x400+（L-0xDC00）+0x10000
。@mike.jiang:或者将这些缺陷文件交还给创建它们的人。那些家伙肯定做错了。他们现在应该修好它。这就是我要做的。@mike.jiang：关于如何做的一个例子，请参阅我的副刊。
        <dependency>
          <groupId>org.apache.poi</groupId>
          <artifactId>poi</artifactId>
          <version>4.0.0</version>
        </dependency>
        <dependency>
          <groupId>org.apache.poi</groupId>
          <artifactId>poi-ooxml</artifactId>
          <version>4.0.0</version>
        </dependency> 

&#55357;&#56397;&#55357;&#56397;&#55357;&#56397;
&#55357;&#56397;
&#55357;&#56397;&#55357;&#56397;&#55357;&#56397;&#55357;&#56397;&#55357;&#56397;&#55357;&#56397;&#55357;&#56397;
etc....