如何通过zipfile读取UTF-16编码的XML文件到Pandas？

问题核心在于：zipfile.ZipFile.open()返回的是二进制文件对象，而pd.read_xml在接收二进制流时，encoding参数不会生效——因为二进制流需要先解码为文本格式，pandas无法直接对二进制流应用编码设置，导致解码失败。

下面是两种无需手动解压的可行方案：

方案1：用io.TextIOWrapper包装二进制流 #

通过io.TextIOWrapper将zip包中的二进制流直接解码为UTF-16文本流，再传给pd.read_xml：

import zipfile
import pandas as pd
import io

# 替换为你的Zip包路径
with zipfile.ZipFile("your_data_archive.zip", 'r') as zf:
    # 替换为Zip包内目标XML文件名
    with zf.open("data1.xml") as binary_f:
        # 包装为UTF-16编码的文本流
        text_stream = io.TextIOWrapper(binary_f, encoding='utf-16')
        data_df = pd.read_xml(text_stream)

方案2：读取二进制内容后解码为字符串 #

先读取二进制数据，解码为UTF-16字符串，再用io.StringIO包装成文本流传递：

import zipfile
import pandas as pd
import io

with zipfile.ZipFile("your_data_archive.zip", 'r') as zf:
    with zf.open("data1.xml") as binary_f:
        # 读取二进制并解码为UTF-16字符串
        xml_str = binary_f.read().decode('utf-16')
        data_df = pd.read_xml(io.StringIO(xml_str))

批量处理Zip包中所有XML文件 #

如果需要读取Zip内所有XML文件并合并为一个DataFrame，可以遍历文件列表：

import zipfile
import pandas as pd
import io

all_dfs = []
with zipfile.ZipFile("your_data_archive.zip", 'r') as zf:
    # 遍历Zip内所有文件
    for file_name in zf.namelist():
        if file_name.endswith('.xml'):
            with zf.open(file_name) as binary_f:
                text_stream = io.TextIOWrapper(binary_f, encoding='utf-16')
                df = pd.read_xml(text_stream)
                # 可选：添加列标记数据来源文件
                df['source_file'] = file_name
                all_dfs.append(df)

# 合并所有DataFrame
combined_df = pd.concat(all_dfs, ignore_index=True)

内容的提问来源于stack exchange，提问作者CFW