如何用Python读取后缀为.xls的XML电子表格并指定目标工作表

问题背景 #

有一个后缀为.xls但实际是XML Spreadsheet格式的文件，包含3个工作表，需要读取名为sheetname3的工作表数据。以下是针对你尝试过的两种方法的修正方案：

方法一：用pandas直接解析XML（推荐） #

pd.read_excel搭配openpyxl引擎无法识别XML Spreadsheet格式（openpyxl仅支持.xlsx及标准二进制.xls文件），改用pd.read_xml直接解析XML结构，通过XPath精准定位目标工作表：

import pandas as pd
import os

DATE = "你的日期变量值"  # 替换为实际日期
kpath = os.path.join(r"F:\DOCUMENT\Treasury\Test\K vs Clearer", f'REC_IRSOIS_{DATE}.xls')

# 定位到名称为sheetname3的工作表数据区域
df = pd.read_xml(
    kpath,
    xpath="//Worksheet[Name/text()='sheetname3']/Table"
)

# 若第一行是表头，添加header=0参数
df = pd.read_xml(
    kpath,
    xpath="//Worksheet[Name/text()='sheetname3']/Table",
    header=0
)

原理 #

XML Spreadsheet的结构中，每个工作表对应<Worksheet>节点，其下的<Name>子节点存储工作表名称，数据则在<Table>节点内。通过XPath表达式可直接筛选出目标工作表的数据区域。

方法二：改进自定义SAX解析器，支持指定工作表 #

原SAX解析器未区分工作表名称，改进后会先识别工作表名称，仅收集目标工作表的数据：

from xml.sax import make_parser, ContentHandler
import pandas as pd
import os

class ExcelHandler(ContentHandler):
    def __init__(self, target_sheet):
        self.target_sheet = target_sheet
        self.current_sheet = None
        self.in_name_tag = False
        self.chars_buffer = []
        self.current_row = []
        self.sheet_rows = []
        self.target_data = None

    def characters(self, content):
        if self.in_name_tag:
            self.chars_buffer.append(content)
        elif self.current_sheet == self.target_sheet:
            self.chars_buffer.append(content)

    def startElement(self, name, atts):
        if name == "Name":
            self.in_name_tag = True
            self.chars_buffer = []
        elif name == "Cell" and self.current_sheet == self.target_sheet:
            self.chars_buffer = []
        elif name == "Row" and self.current_sheet == self.target_sheet:
            self.current_row = []
        elif name == "Table" and self.current_sheet == self.target_sheet:
            self.sheet_rows = []

    def endElement(self, name):
        if name == "Name":
            self.current_sheet = ''.join(self.chars_buffer).strip()
            self.in_name_tag = False
        elif name == "Cell" and self.current_sheet == self.target_sheet:
            self.current_row.append(''.join(self.chars_buffer))
        elif name == "Row" and self.current_sheet == self.target_sheet:
            self.sheet_rows.append(self.current_row.copy())
        elif name == "Table" and self.current_sheet == self.target_sheet:
            self.target_data = self.sheet_rows.copy()

# 使用示例
DATE = "你的日期变量值"
kpath = os.path.join(r"F:\DOCUMENT\Treasury\Test\K vs Clearer", f'REC_IRSOIS_{DATE}.xls')
target_sheet_name = "sheetname3"

parser = make_parser()
handler = ExcelHandler(target_sheet_name)
parser.setContentHandler(handler)
parser.parse(kpath)

# 将目标数据转为DataFrame（假设第一行是表头）
df = pd.DataFrame(handler.target_data[1:], columns=handler.target_data[0])

原理 #

改进后的解析器会先读取每个<Worksheet>的<Name>节点，记录当前工作表名称；只有当名称匹配目标时，才开始收集<Table>节点下的行和单元格数据，最终将目标工作表的数据存储在target_data属性中。

内容的提问来源于stack exchange，提问作者Raj Das