Python解析旧版Excel XML文件问题求助

我之前也碰到过这种旧版的Microsoft Office Spreadsheet XML格式文件的解析问题——xlrd确实不支持这类格式，手动用XML解析库的时候又容易因为命名空间处理不当失败。给你两个可行的解决方案，都能直接把文件转换成pandas DataFrame：

方案一：用pandas的read_xml直接处理（推荐） #

pandas的read_xml支持处理带命名空间的XML，只需指定命名空间和对应的XPath即可：

import pandas as pd

# 定义XML中使用的命名空间
namespaces = {'ss': 'urn:schemas-microsoft-com:office:spreadsheet'}

# 读取XML文件，定位到目标工作表（这里是"Holdings"）下的所有行
df_rows = pd.read_xml(
    "your_file.xml",
    namespaces=namespaces,
    xpath='//ss:Worksheet[@ss:Name="Holdings"]/ss:Table/ss:Row'
)

# 提取每行中单元格的实际数据
def get_cell_values(row):
    cells = row["Cell"]
    # 处理单个单元格的情况（转为列表统一处理）
    if not isinstance(cells, list):
        cells = [cells]
    # 提取每个单元格内的Data文本内容
    return [
        cell["Data"]["#text"] if isinstance(cell["Data"], dict) else cell["Data"]
        for cell in cells
    ]

# 应用函数提取每行数据，再展开为多列
df_rows["cell_data"] = df_rows.apply(get_cell_values, axis=1)
final_df = pd.DataFrame(df_rows["cell_data"].tolist())

# 如果需要转成CSV，直接执行下面的代码
# final_df.to_csv("output.csv", index=False, header=False)

print(final_df)

代码说明： #

• 首先通过namespaces参数声明XML里的ss命名空间，避免XPath找不到元素
• 用XPath精准定位到目标工作表（Holdings）下的所有行
• 因为部分行可能只有单个单元格，需要统一转成列表处理，再提取每个单元格的Data文本
• 最后把提取到的每行数据展开为多列，得到标准的DataFrame

方案二：用xml.etree.ElementTree手动解析 #

如果pandas的方法不符合需求，也可以用Python内置的XML库手动处理，核心是正确处理命名空间：

import xml.etree.ElementTree as ET
import pandas as pd

# 注册命名空间，方便后续使用短名查找元素
ET.register_namespace('ss', 'urn:schemas-microsoft-com:office:spreadsheet')
tree = ET.parse("your_file.xml")
root = tree.getroot()

# 定位到目标工作表和表格
target_worksheet = root.find(
    './/ss:Worksheet[@ss:Name="Holdings"]',
    namespaces={'ss': 'urn:schemas-microsoft-com:office:spreadsheet'}
)
table = target_worksheet.find('ss:Table', namespaces={'ss': 'urn:schemas-microsoft-com:office:spreadsheet'})

# 遍历所有行，提取单元格数据
all_data = []
for row in table.findall('ss:Row', namespaces={'ss': 'urn:schemas-microsoft-com:office:spreadsheet'}):
    row_values = []
    for cell in row.findall('ss:Cell', namespaces={'ss': 'urn:schemas-microsoft-com:office:spreadsheet'}):
        data_elem = cell.find('ss:Data', namespaces={'ss': 'urn:schemas-microsoft-com:office:spreadsheet'})
        row_values.append(data_elem.text if data_elem is not None else None)
    all_data.append(row_values)

# 转换为DataFrame
final_df = pd.DataFrame(all_data)

# 转CSV的话执行：
# final_df.to_csv("output.csv", index=False, header=False)

print(final_df)

代码说明： #

• 先注册命名空间，避免查找元素时因为前缀问题失败
• 逐层定位到工作表、表格，再遍历每一行和每个单元格
• 提取每个ss:Data元素的文本内容，收集成二维列表后转成DataFrame

这两个方案都能解决你遇到的解析问题，直接生成DataFrame，也可以轻松导出为CSV文件。

内容的提问来源于stack exchange，提问作者Hayton Leung