我明白你折腾了两天有多头疼，这种披着.xls外衣的Excel XML文件确实容易踩坑，咱们一步步把问题拆解开解决：

一、先搞定文件读取与编码问题 #

你遇到的是重复的UTF-8 BOM（字节顺序标记），这是导致编码解析失败的核心原因之一。之前用文本模式读取文件会自动处理BOM，但重复的BOM会残留下来，而且你第一次读取文件后指针移到了末尾，后续的readlines()根本读不到内容，这也是chardet返回None的原因。

正确的处理方式是用二进制模式读取，手动去除重复的BOM，再转成UTF-8字符串：

import lxml.etree as et
import pandas as pd
import codecs

# 二进制读取文件，保留原始字节
with open('C:\\MSCI.xml', 'rb') as f:
    raw_content = f.read()

# 去除开头的重复UTF-8 BOM（对应一个BOM，这里有两个重复的）
cleaned_content = raw_content.lstrip(codecs.BOM_UTF8 * 2)

# 转成UTF-8编码的字符串
xml_str = cleaned_content.decode('utf-8')

二、解析XML并处理命名空间 #

这个XML是微软的SpreadsheetML格式，所有核心节点都在ss命名空间下，不指定命名空间的话，你根本找不到任何子节点，这就是你之前根节点看起来为空的关键问题！

现在解析XML并定义命名空间字典：

# 用lxml解析XML，开启recover模式容错小的格式问题
parser = et.XMLParser(recover=True)
root = et.fromstring(xml_str, parser=parser)

# 定义命名空间，后续所有节点查找都要用到
ns = {"ss": "urn:schemas-microsoft-com:office:spreadsheet"}

三、提取工作表数据并转成DataFrame #

接下来我们遍历每个工作表，提取ss:Table里的行和单元格，注意处理单元格的ss:Index属性（用来跳过空列），最后把数据整理成Pandas DataFrame：

# 存储所有工作表的DataFrame，键是工作表名称
all_sheets = {}

# 遍历所有工作表
for worksheet in root.findall('ss:Worksheet', namespaces=ns):
    sheet_name = worksheet.attrib['ss:Name']
    table = worksheet.find('ss:Table', namespaces=ns)
    rows = table.findall('ss:Row', namespaces=ns)
    
    sheet_rows = []
    for row in rows:
        cells = row.findall('ss:Cell', namespaces=ns)
        current_row = []
        current_col = 0
        
        for cell in cells:
            # 获取单元格的列索引（默认是当前列+1）
            cell_index = int(cell.attrib.get('ss:Index', current_col + 1))
            # 填充空列（比如单元格直接从第3列开始，前面两列是空的）
            while current_col < cell_index - 1:
                current_row.append(None)
                current_col += 1
            
            # 提取单元格数据
            data_node = cell.find('ss:Data', namespaces=ns)
            current_row.append(data_node.text if data_node is not None else None)
            
            current_col += 1
        
        sheet_rows.append(current_row)
    
    # 转成DataFrame，如果你需要把第一行设为表头，可以额外处理
    df = pd.DataFrame(sheet_rows)
    # 可选：把第一行作为表头，然后跳过第一行数据
    # df.columns = df.iloc[0]
    # df = df[1:].reset_index(drop=True)
    
    all_sheets[sheet_name] = df

# 示例：打印第一个工作表的前5行
print(all_sheets['Overzicht'].head())

四、你之前代码的问题复盘 #

1. 文件指针问题：第一次xml_file.read()后，文件指针移到了末尾，后续的iterparse、parse都是读取空内容，所以报错“Document is empty”。
2. 编码处理错误：直接替换字符串里的不够可靠，二进制模式处理BOM才是正确姿势。
3. 忽略命名空间：没有指定ss命名空间，导致所有节点查找都返回空列表，看起来根节点没有子节点。

内容的提问来源于stack exchange，提问作者Josh77