使用Python requests从MatMatch下载xlsx文件时返回HTML的问题排查
Matmatch平台xlsx文件下载异常的排查与修正
异常原因拆解
你拿到的是HTML而非目标xlsx文件,不存在Web下载原理理解上的偏差,完全是三个具体的场景问题叠加:
- 下载链接附带的临时凭证失效:接口要求的
download-token是30分钟有效期的一次性凭证,一旦过期、或者已经被你在浏览器里触发过一次下载,再拿这个链接发请求,服务端会直接302重定向回材料详情页,返回HTML内容,不会下发文件流。 - 服务端开启了请求来源校验:没有携带正确会话Cookie、没有匹配对应请求头的空请求,会被接口识别为非用户主动触发的下载行为,直接返回网页HTML而非文件。
- 代码中文件保存的后缀不匹配:哪怕成功拿到xlsx格式的二进制内容,你代码里写死存为
copper.csv,后缀和实际格式不一致也会导致后续文件无法正常打开。
具体修正操作
- 不要直接拿抓下来的旧链接空跑请求。要先用requests的Session对象,先访问你要下载的材料详情页,保留好页面加载时下发的所有会话Cookie,再用同一个会话发起下载请求——跨会话直接请求接口是最容易被拦截返回HTML的。
- 把你从LiveHTTPHeaders里抓到的完整请求头,原样复制到你的请求配置里,重点不能漏的头包括:浏览器的
User-Agent、来源页面对应的Referer、Sec-Fetch-*系列安全校验头,这些头缺了任意一个,都可能让服务端判定你的请求不是正常浏览器发起的。 - 每次要下载的时候,重新在页面上点一次下载按钮,抓实时生成的下载链接和token,不要用超过30分钟的旧token。
- 保存文件的时候不要手动写死文件名后缀,优先从响应头的
Filename字段里提取服务端指定的真实文件名,保证和xlsx格式匹配。
可直接参考的修正代码
import requests # 创建持久会话,自动保留访问源页面时的所有Cookie session = requests.Session() # 第一步先访问材料详情页,拿到会话权限 material_page = "https://matmatch.com/materials/mitf1194-astm-b196-grade-c17200-tb00" session.get(material_page) # 替换成你实时抓取的、未过期的下载地址 download_url = "这里替换成你刚从浏览器抓的下载链接" # 匹配浏览器实际发送的请求头 request_headers = { "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36", "Referer": material_page, "sec-ch-ua": '"Google Chrome";v="89", "Chromium";v="89", ";Not A Brand";v="99"', "sec-ch-ua-mobile": "?0", "Sec-Fetch-Dest": "document", "Sec-Fetch-Mode": "navigate", "Sec-Fetch-Site": "same-origin", "Upgrade-Insecure-Requests": "1" } resp = session.get(download_url, headers=request_headers, allow_redirects=True) # 先校验返回内容类型,确认是xlsx文件流再保存 if resp.headers.get("Content-Type") == "application/vnd.openxmlformats-officedocument.spreadsheetml.sheet": file_name = resp.headers.get("Filename", "material_data.xlsx") with open(file_name, "wb") as f: f.write(resp.content) else: print("当前返回内容不是目标xlsx文件,大概率是token过期或者会话权限不足")
避坑提醒
- 不要用HTTP开头的下载链接,站点强制HTTPS,访问HTTP地址会被重定向,重定向过程中如果丢失会话头就会重新触发HTML返回。
- 不要反复使用同一个抓下来的token,这个接口的token是短期一次性的,每次点击下载生成的链接都不一样,失效是正常机制。
- 如果按照步骤修正后还是返回HTML,可以检查下是不是请求的
Accept头和浏览器的差异太大,部分站点会根据Accept头的返回内容调整响应格式。
内容的提问来源于stack exchange,提问作者Ciaran
相关产品推荐
相关产品推荐

