Foro - Perl en Español

De basura nada... seguro que lo que está viendo son caracteres codificados de forma distinta a lo que tu ordenador tiene configurado como codificación de caracteres de pantalla.

Yo también usaba antes la familia Spreadsheet Excel, pero ahora uso Spreadsheet::Read, porque me permite acceder a los contenidos de las celdas de forma muy gráfica, y con los contenidos de las mismas, tanto en su valor original, como en el de presentación. Y es justamente eso lo que tienes que averiguar: en qué están codificadas las celdas que contienen esos caracteres.

Por ejemplo, yo hace poco he tenido que hacer un programa que mostrara el contenido de una hoja Excel, subida por el cliente a un servidor, en una tabla HTML dentro de una página web. El problema era que las celdas, si no tenían acentos, venían codificadas en iso-8859-1, mientras que las que sí los tenían, venían codificadas en UCS2-LE (utf16), el nativo de varias versiones de Windows).

Al principio, lo resolví (con el módulo anterior), mirando los atributos de cada celda a pintar:

Con la ayuda de la función from_to() del módulo Encode, era fácil pasarlo todo a iso-8859-1.

Más tarde, me dí cuenta que, usando la función row(), el módulo me devolvía los contenidos de toda la fila, y ya convertidos:

así que ya no tenía que preocuparme de hacer conversiones (o, al menos, la conversión se hacía hacia el iso-8859-1 de Perl, y con eso me bastaba para sacar la información hacia el exterior).

En tu caso... recuerda que Data::Dumper es tu amigo... haz volcados de los contenidos de la hoja Excel leída, para ver en qué codificación está, o a ver si te lo dice en el hash de atributos de cada celda.

Por lo que veo, con la función $cell->value() se puede sacar el valor formateado de la celda, mientras que con $cell->unformatted(), el no formateado (lo estoy viendo en la sinopsis del módulo Spreadsheet::ParseExcel).

En vez de Spreadsheet::ParseExcel::FmtJapan::TextFmt, ¿has probado con Spreadsheet::ParseExcel::FmtDefault::TextFmt? Según veo en su código, esta función devuelve caracteres en unicode, a partir de enteros de 16 bits (codificación utf16):

El FmtJapan intentará hacer conversión a cp932

Creo que la línea marcada como #1, sobra. Y la de is_utf8(), también.

¿Seguro que la línea de la función from_to(), no sobra?

El párrafo que comentas, en Encode, comienza por:

CAVEAT: The following operations look the same but are not quite so;

que quiere decir:

ADVERTENCIA: Las siguientes operaciones tienen el mismo aspecto, pero no lo son tanto;

Por eso te decía que las dos hacen lo mismo: convierten la ristra de octetos en datos UTF8 válidos, pero solo la segunda activa, además, la bandera de que el escalar almacena realmente una cadena UTF8.

Yo, sospecho, que la hoja Excel no está codificada como iso-8859-1, sino como ucs2-le (en los atributos de las celdas aparecería 'ucs2' en encoding). Si ese fuera el caso, con la siguiente línea sería más que suficiente:



De todas formas, sería mejor ver los ficheros con calma...

En el último programa que he hecho con Excel, he usado estas líneas para hacer la conversión:

es decir, miro a ver la codificación de la celda (atributo 'enc' que me da Spreadsheet::Read). Si está especificada alguna, la paso tal cual a from_to(), para que lo pase a utf8. Pero si no hay ninguna codificación indicada, llamo a from_to() para que haga la conversión desde latin1 (codificación por defecto en Windows, similar a iso-8859-1).

No uso decode(), porque no estoy trabajando con utf8 todo el tiempo. Me vale con mandar la salida de $titulo a la página web, que ya tiene puesta la cabecera de charset a utf8.

Quizás para la próxima vez sí que lo use.

P.D. Me apunto otro módulo para usar en el futuro: Spreadsheet::DataFromExcel, aparte de revisar Spreadsheet::WriteExcel::Examples.