使用pandas读取网站下载的XLS文件报XLRDError如何解决

问题根因 #

你遇到的XLRDError: Unsupported format, or corrupt file错误，本质是下载的文件并非标准二进制XLS格式，而是微软XML Spreadsheet 2003格式的纯文本文件：

• 开头的\xef\xbb\xbf是重复的UTF-8 BOM头，后续的<?是XML声明的起始标识，xlrd仅支持老式二进制XLS格式，无法识别该类XML结构的伪XLS文件
• Excel能正常打开是因为它原生兼容XML Spreadsheet格式，弹出扩展名不匹配警告也正是因为文件实际格式和后缀名不符

解决方案1：纯Python解析（无需额外工具依赖） #

该方案直接解析XML格式的内容，不需要调用外部程序，跨平台可用。
先安装依赖：

pip install requests pandas lxml

代码示例：

import requests
import pandas as pd
from io import BytesIO

# 下载文件内容
download_url = "https://www.blackrock.com/uk/individual/products/291392/fund/1527484370694.ajax?fileType=xls&fileName=iShares-MSCI-World-SRI-UCITS-ETF-USD-Dist_fund&dataType=fund"
headers = {
    # 模拟浏览器请求，避免被官网拦截
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/118.0.0.0 Safari/537.36"
}
resp = requests.get(download_url, headers=headers)
resp.raise_for_status()

# 解析XML Spreadsheet格式内容，指定命名空间匹配表格结构
ns = {"ss": "urn:schemas-microsoft-com:office:spreadsheet"}
tree = pd.read_xml(BytesIO(resp.content), xpath="//ss:Worksheet[@ss:Name='Holdings']/ss:Table/ss:Row", namespaces=ns)

# 处理表头和空行：跳过前3行说明内容，重置列名
df = tree[3:].reset_index(drop=True)
df.columns = tree.iloc[2].tolist()

# 清理空列空值
df = df.dropna(axis=1, how="all")

解决方案2：调用ssconvert自动转格式（格式兼容更好） #

如果需要更稳定的格式兼容，可以使用开源工具ssconvert（属于Gnumeric办公套件的组件）自动将XML Spreadsheet转成标准xlsx格式，全程不需要手动操作：

1. 先安装Gnumeric：
   • Windows：搜索下载Gnumeric官方安装包，安装后把安装路径加入系统环境变量
   • macOS：执行命令brew install gnumeric完成安装
   • Linux：执行命令sudo apt install gnumeric完成安装
2. Python代码示例：

import requests
import os
import pandas as pd
import subprocess

download_url = "https://www.blackrock.com/uk/individual/products/291392/fund/1527484370694.ajax?fileType=xls&fileName=iShares-MSCI-World-SRI-UCITS-ETF-USD-Dist_fund&dataType=fund"
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/118.0.0.0 Safari/537.36"
}

# 下载原始文件存为临时文件
with open("temp_holdings.xls", "wb") as f:
    f.write(requests.get(download_url, headers=headers).content)

# 调用ssconvert转成标准xlsx
subprocess.run(["ssconvert", "temp_holdings.xls", "temp_holdings.xlsx"], check=True, capture_output=True)

# 读取转换后的xlsx
df = pd.read_excel("temp_holdings.xlsx", sheet_name="Holdings", skiprows=3)

# 清理临时文件
os.remove("temp_holdings.xls")
os.remove("temp_holdings.xlsx")

注意事项 #

• 贝莱德官网有反爬机制，请求时需要携带User-Agent头，否则可能返回403错误
• 两种方案都不需要手动操作Excel，全程自动化完成

内容的提问来源于stack exchange，提问作者Christoffer Madsen