使用ElementTree读取XML表格时部分单元格数据无法读取求解决

你的代码读取失败主要有两个核心原因：

1. 命名空间不匹配：第四个单元格里的<ss:Data>标签被重新指定了html命名空间（xmlns="http://www.w3.org/TR/REC-html40"），你用原ss命名空间的Data标签去查找，根本找不到这个元素，自然返回None。
2. 文本嵌套在子元素中：就算找到了这个Data元素，它的文本内容不是直接在Data节点下，而是嵌套在<Font>子元素里，直接用.text只能获取节点的直接文本，取不到子元素里的内容。

我们需要添加html命名空间的处理，调整元素查找逻辑，同时递归提取所有子元素的文本：

from xml.etree import ElementTree
import io

xmlf = """<?xml version="1.0"?> <?mso-application progid="Excel.Sheet"?> <Workbook ss:ResourcesPackageName="" ss:ResourcesPackageVersion="" xmlns="urn:schemas-microsoft-com:office:spreadsheet" xmlns:ss="urn:schemas-microsoft-com:office:spreadsheet" xmlns:html="http://www.w3.org/TR/REC-html40"> <Worksheet ss:Name="DigitalOutput" ss:IsDeviceType="true"> <Row ss:AutoFitHeight="0"> <Cell><Data ss:Type="String">A</Data><NamedCell ss:Name="_FilterDatabase"/></Cell> <Cell><Data ss:Type="String">B</Data><NamedCell ss:Name="_FilterDatabase"/></Cell> <Cell><Data ss:Type="String">C</Data><NamedCell ss:Name="_FilterDatabase"/></Cell> <Cell ss:Index="7"><ss:Data ss:Type="String" xmlns="http://www.w3.org/TR/REC-html40"><Font html:Color="#000000">CAN'T READ </Font><Font>THIS</Font></ss:Data><NamedCell ss:Name="_FilterDatabase"/></Cell> <Cell ss:Index="10"><Data ss:Type="String">D</Data><NamedCell ss:Name="_FilterDatabase"/></Cell> </Row> </Worksheet> </Workbook>"""

# 定义用到的命名空间
ss = "urn:schemas-microsoft-com:office:spreadsheet"
html_ns = "http://www.w3.org/TR/REC-html40"

worksheet_label = '{%s}Worksheet' % ss
row_label = '{%s}Row' % ss
cell_label = '{%s}Cell' % ss
data_label_ss = '{%s}Data' % ss
data_label_html = '{%s}Data' % html_ns

def get_all_text(element):
    """递归提取元素及其所有子元素的文本内容"""
    text = element.text or ""
    for child in element:
        text += get_all_text(child)
        if child.tail:
            text += child.tail
    return text.strip()

tree = ElementTree.parse(io.StringIO(xmlf))
root = tree.getroot()

for ws in root.findall(worksheet_label):
    for table in ws.findall(row_label):
        for c in table.findall(cell_label):
            # 先找ss命名空间的Data
            data = c.find(data_label_ss)
            # 如果找不到，再找html命名空间的Data
            if data is None:
                data = c.find(data_label_html)
            # 提取所有文本内容
            if data is not None:
                print(get_all_text(data))
            else:
                print("No data found")

• 命名空间兼容：新增了html_ns变量，当找不到ss命名空间的Data时，自动尝试查找html命名空间的Data元素，覆盖了特殊单元格的情况。
• 递归文本提取：get_all_text函数会递归遍历所有子元素，把分散在<Font>标签里的文本拼接成完整内容，解决了嵌套文本的读取问题。

运行这段代码后，输出会变成：

A
B
C
CAN'T READ THIS
D

内容的提问来源于stack exchange，提问作者rafasan