Python读取XLSX文件报错：Bad magic number for central directory

需求目标 #

• 从AWS S3下载.xlsx文件至本地目录
• 将下载的.xlsx文件读取为pandas DataFrame

前置信息 #

• macOS、Windows、Linux系统下均出现相同报错
• 使用Python 3.8及3.9版本
• 已尝试的方法：
  • pd.read_excel(path_, engine=None, header=0, index_col=0)
  • pd.read_excel(path_, engine='openpyxl', header=0, index_col=0)
  • xlrd.open_workbook()
  • 直接用ZipFile()打开文件

错误回溯 #

Traceback (most recent call last):
  File "C:\Users\User\AppData\Local\Programs\Python\Python39\lib\zipfile.py", line 1257, in __init__
    self._RealGetContents()
  File "C:\Users\User\AppData\Local\Programs\Python\Python39\lib\zipfile.py", line 1352, in _RealGetContents
    raise BadZipFile("Bad magic number for central directory")
zipfile.BadZipFile: Bad magic number for central directory

错误代码片段 #

centdir = fp.read(sizeCentralDir)
if len(centdir) != sizeCentralDir:
    raise BadZipFile("Truncated central directory")
centdir = struct.unpack(structCentralDir, centdir)
if centdir[_CD_SIGNATURE] != stringCentralDir:
    raise BadZipFile("Bad magic number for central directory")

所用库版本 #

• pandas==1.4.3
• xlrd==2.0.1
• openpyxl==3.0.10

解决方案建议 #

1. 验证文件完整性 #

• 直接从AWS控制台手动下载目标文件，用Excel打开确认原文件是否正常。若原文件损坏，需重新上传正确文件到S3。
• 对比本地文件与S3文件的哈希值，确认下载过程无文件截断或篡改：

  import boto3
  import hashlib
  
  s3 = boto3.client('s3')
  # 获取S3文件的ETag（分块上传的文件ETag会带后缀，此时需重新计算S3文件哈希）
  s3_obj = s3.head_object(Bucket='你的存储桶名称', Key='你的文件路径.xlsx')
  s3_etag = s3_obj['ETag'].strip('"')
  
  # 计算本地文件MD5哈希
  def calc_local_md5(file_path):
      md5_hash = hashlib.md5()
      with open(file_path, 'rb') as f:
          for chunk in iter(lambda: f.read(4096), b''):
              md5_hash.update(chunk)
      return md5_hash.hexdigest()
  
  local_md5 = calc_local_md5('本地文件路径.xlsx')
  print(f"S3文件ETag: {s3_etag}, 本地文件MD5: {local_md5}")
  

• 若哈希不一致，使用boto3标准方法重新下载：

  s3.download_file('你的存储桶名称', '你的文件路径.xlsx', '本地保存路径.xlsx')
  

2. 确认文件格式正确性 #

• 检查文件实际格式：.xlsx本质是Zip压缩包，用文本编辑器打开文件开头，正常内容应为PK\x03\x04。若开头是其他内容，说明文件可能被错误命名（比如实际是CSV），需修改处理逻辑。
• 若文件是旧版.xls格式，注意xlrd 2.0+不再支持该格式，可降级xlrd到1.2.0，或使用openpyxl仅处理.xlsx文件。

3. 尝试修复损坏的Zip结构 #

如果文件确实是损坏的.xlsx，可尝试修复Zip结构后再读取：

from zipfile import ZipFile

def repair_xlsx(corrupted_path, fixed_path):
    with ZipFile(corrupted_path, 'r') as src_zip:
        with ZipFile(fixed_path, 'w') as dest_zip:
            for entry in src_zip.infolist():
                dest_zip.writestr(entry, src_zip.read(entry.filename))

repair_xlsx('损坏的文件.xlsx', '修复后的文件.xlsx')

修复完成后再用pd.read_excel尝试读取。

内容的提问来源于stack exchange，提问作者phybarin