使用Pandas读取URL中Excel文件时触发AssertionError求助

问题根源 #

你遇到的AssertionError来自xlrd库解析Excel共享字符串表(SST)时的校验失败，这类文件通常是老旧系统生成的非标准二进制XLS文件，xlrd无法兼容，但Office打开时会自动修复格式问题，因此重新保存后可正常读取。

批量处理解决方案 #

方案1：调用Office自动修复并读取（Windows环境） #

利用pywin32调用Excel后台打开文件并重新保存，完全模拟手动修复的效果，适合批量处理。

首先安装依赖：

pip install requests pywin32 pandas

代码实现：

import requests
import win32com.client as win32
import os
import pandas as pd

def batch_fix_xls(url_list):
    results = []
    excel = win32.gencache.EnsureDispatch('Excel.Application')
    excel.Visible = False  # 后台静默运行
    
    try:
        for idx, url in enumerate(url_list):
            temp_file = f"temp_{idx}.xls"
            fixed_file = f"fixed_{idx}.xls"
            
            # 下载文件到本地临时路径
            req = requests.get(url)
            with open(temp_file, 'wb') as f:
                f.write(req.content)
            
            # 打开并修复保存
            wb = excel.Workbooks.Open(os.path.abspath(temp_file))
            wb.SaveAs(os.path.abspath(fixed_file), FileFormat=56)  # 56对应标准XLS格式
            wb.Close()
            
            # 读取修复后的文件
            df = pd.read_excel(fixed_file)
            results.append(df)
            
            # 清理临时文件
            os.remove(temp_file)
            os.remove(fixed_file)
    finally:
        excel.Quit()  # 确保Excel进程关闭
    
    return results

# 使用示例：传入批量URL列表
url_list = [
    'https://apps.fomento.gob.es/BoletinOnline2/sedal/34010110.XLS',
    # 其他需要处理的URL
]
dfs = batch_fix_xls(url_list)

方案2：尝试更换Excel解析引擎 #

部分文件后缀为XLS，但实际是XLSX格式，可尝试用openpyxl或pyxlsb引擎读取，无需依赖Office，跨平台可用。

首先安装依赖：

pip install pandas openpyxl pyxlsb

代码实现：

import pandas as pd

def read_xls_with_alternative_engines(url):
    # 先尝试openpyxl（针对XLSX伪装成XLS的情况）
    try:
        return pd.read_excel(url, engine='openpyxl')
    except Exception:
        # 再尝试pyxlsb（针对二进制XLS的兼容）
        return pd.read_excel(url, engine='pyxlsb')

# 使用示例
df = read_xls_with_alternative_engines('https://apps.fomento.gob.es/BoletinOnline2/sedal/34010110.XLS')
print(df.head())

方案3：使用xlrd分支版本修复解析问题 #

官方xlrd已停止维护旧版XLS格式，可尝试使用社区维护的xlrd2分支，它修复了部分格式解析bug。

安装替换xlrd：

pip uninstall xlrd -y
pip install xlrd2

之后直接用原代码读取即可：

import pandas as pd

df = pd.read_excel('https://apps.fomento.gob.es/BoletinOnline2/sedal/34010110.XLS')

方案选择建议 #

• Windows环境批量处理：优先方案1，完全匹配Office修复效果，兼容性最好。
• 跨平台需求：先尝试方案2，若无效再使用方案3。

内容的提问来源于stack exchange，提问作者Mario