如何在Jupyter notebook中读取伪装为Excel的Web Archive格式文件

开发者阿泽

2026-9-27

报错原因

XLRDError：你的文件并非标准二进制XLS格式，本质是MIME封装的Web Archive单文件网页，pandas.read_excel 依赖的xlrd库只能识别标准XLS文件的开头BOF记录，无法解析网页格式内容。
AttributeError：pandas.read_html的返回值为列表结构，列表中每个元素对应网页内的一个表格的DataFrame对象，不能直接对列表调用DataFrame专属的head()方法。

解决方法

方案1：直接读取（适用于大部分场景）

这类Excel导出的网页格式文件通常页面内仅包含一个业务表格，直接取read_html返回列表的第一个元素即可：

import pandas as pd

# 读取文件得到表格列表
table_list = pd.read_html("你的目标文件.xls")
# 取第一个表格即为目标数据
df = table_list[0]
# 可正常调用DataFrame方法
df.head()

如果文件内存在多个表格，可遍历列表确认你需要的表格索引：

for idx, table in enumerate(table_list):
    print(f"第{idx}个表格前5行：")
    display(table.head())
    print("-"*50)

方案2：先解析MIME封装再读取（适用于方案1失效的场景）

如果是标准multipart/related封装的Web Archive文件，需要先提取封装内的HTML内容再解析表格：

import email
from email.policy import default
import pandas as pd
from io import StringIO

# 读取源文件解析MIME结构
with open("你的目标文件.xls", "r", encoding="utf-8") as f:
    msg = email.message_from_string(f.read(), policy=default)

# 遍历MIME分段提取HTML内容
html_content = ""
for part in msg.walk():
    if part.get_content_type() == "text/html":
        html_content = part.get_content()
        break

# 解析HTML内的表格
df = pd.read_html(StringIO(html_content))[0]
df.head()