如何从FDA官网加载Zip文件到Python并解决XLRDError问题

这些名为.xls的文件并非标准二进制Excel格式，而是制表符分隔的文本文件（TSV），只是被修改了后缀名。Excel因为有兼容解析能力，打开时仅弹出警告但能正常显示；但xlrd库（pd.read_excel默认依赖）只会解析标准二进制xls，因此抛出格式错误。

可行代码方案 #

方案1：直接远程读取Zip包内文件（无需本地解压）

import pandas as pd
import zipfile
import io
import requests

# 下载并读取FDA的Zip包
url = "https://www.accessdata.fda.gov/cder/ndcxls.zip"
response = requests.get(url)
zip_content = zipfile.ZipFile(io.BytesIO(response.content))

# 读取product文件（本质是TSV文本）
with zip_content.open("product.xls") as f:
    df_product = pd.read_csv(f, sep="\t", encoding="latin-1", low_memory=False)

# 读取package文件
with zip_content.open("package.xls") as f:
    df_package = pd.read_csv(f, sep="\t", encoding="latin-1", low_memory=False)

# 验证数据
print("Product数据预览：")
print(df_product.head())
print("\nPackage数据预览：")
print(df_package.head())

方案2：本地解压后读取文件

如果已经手动下载解压了Zip包，直接用以下代码读取：

import pandas as pd

# 读取本地的伪xls文件（实际是TSV）
df_product = pd.read_csv("product.xls", sep="\t", encoding="latin-1", low_memory=False)
df_package = pd.read_csv("package.xls", sep="\t", encoding="latin-1", low_memory=False)

# 验证数据
print(df_product.head())

关键说明 #

• sep="\t"：指定分隔符为制表符，匹配文件的实际格式
• encoding="latin-1"：适配文件的字符编码，避免乱码
• low_memory=False：关闭pandas的内存优化，避免因列类型自动推断产生的警告

内容的提问来源于stack exchange，提问作者HeapPush928