用pandas读取Excel XML.xls文件

Question

我知道许多以前提出的问题，但没有一个解决方案适用于我在下面提供的可重现示例。

我正在尝试从http://www.eia.gov/coal/data.cfm#production读取.xls文件——特别是历史详细煤炭生产数据 (1983-2013) coalpublic2012.xls文件，可通过以下方式免费获得落下。 Pandas 无法读取。

相比之下，最近一年可用的文件 2013 年的coalpublic2013.xls文件可以正常工作：

import pandas as pd
df1 = pd.read_excel("coalpublic2013.xls")

但下一个十年的.xls文件（2004-2012）不会加载。 我用 Excel 查看了这些文件，它们打开了，并且没有损坏。

我从 pandas 得到的错误是：

---------------------------------------------------------------------------
XLRDError                                 Traceback (most recent call last)
<ipython-input-28-0da33766e9d2> in <module>()
----> 1 df = pd.read_excel("coalpublic2012.xlsx")

/Users/jonathan/anaconda/lib/python2.7/site-packages/pandas/io/excel.pyc in read_excel(io, sheetname, header, skiprows, skip_footer, index_col, parse_cols, parse_dates, date_parser, na_values, thousands, convert_float, has_index_names, converters, engine, **kwds)
    161 
    162     if not isinstance(io, ExcelFile):
--> 163         io = ExcelFile(io, engine=engine)
    164 
    165     return io._parse_excel(

/Users/jonathan/anaconda/lib/python2.7/site-packages/pandas/io/excel.pyc in __init__(self, io, **kwds)
    204                 self.book = xlrd.open_workbook(file_contents=data)
    205             else:
--> 206                 self.book = xlrd.open_workbook(io)
    207         elif engine == 'xlrd' and isinstance(io, xlrd.Book):
    208             self.book = io

/Users/jonathan/anaconda/lib/python2.7/site-packages/xlrd/__init__.pyc in open_workbook(filename, logfile, verbosity, use_mmap, file_contents, encoding_override, formatting_info, on_demand, ragged_rows)
    433         formatting_info=formatting_info,
    434         on_demand=on_demand,
--> 435         ragged_rows=ragged_rows,
    436         )
    437     return bk

/Users/jonathan/anaconda/lib/python2.7/site-packages/xlrd/book.pyc in open_workbook_xls(filename, logfile, verbosity, use_mmap, file_contents, encoding_override, formatting_info, on_demand, ragged_rows)
     89         t1 = time.clock()
     90         bk.load_time_stage_1 = t1 - t0
---> 91         biff_version = bk.getbof(XL_WORKBOOK_GLOBALS)
     92         if not biff_version:
     93             raise XLRDError("Can't determine file's BIFF version")

/Users/jonathan/anaconda/lib/python2.7/site-packages/xlrd/book.pyc in getbof(self, rqd_stream)
   1228             bof_error('Expected BOF record; met end of file')
   1229         if opcode not in bofcodes:
-> 1230             bof_error('Expected BOF record; found %r' % self.mem[savpos:savpos+8])
   1231         length = self.get2bytes()
   1232         if length == MY_EOF:

/Users/jonathan/anaconda/lib/python2.7/site-packages/xlrd/book.pyc in bof_error(msg)
   1222         if DEBUG: print("reqd: 0x%04x" % rqd_stream, file=self.logfile)
   1223         def bof_error(msg):
-> 1224             raise XLRDError('Unsupported format, or corrupt file: ' + msg)
   1225         savpos = self._position
   1226         opcode = self.get2bytes()

XLRDError: Unsupported format, or corrupt file: Expected BOF record; found '<?xml ve'

我还尝试了其他各种方法：

df = pd.ExcelFile("coalpublic2012.xls", encoding_override='cp1252')
import xlrd
wb = xlrd.open_workbook("coalpublic2012.xls")

无济于事。 我的pandas版本：0.17.0

我还将此作为错误提交到 pandas github问题列表。

Answer 1

您可以以编程方式转换此 Excel XML 文件。 要求：只有python和pandas。

import pandas as pd
from xml.sax import ContentHandler, parse

# Reference https://goo.gl/KaOBG3
class ExcelHandler(ContentHandler):
    def __init__(self):
        self.chars = [  ]
        self.cells = [  ]
        self.rows = [  ]
        self.tables = [  ]
    def characters(self, content):
        self.chars.append(content)
    def startElement(self, name, atts):
        if name=="Cell":
            self.chars = [  ]
        elif name=="Row":
            self.cells=[  ]
        elif name=="Table":
            self.rows = [  ]
    def endElement(self, name):
        if name=="Cell":
            self.cells.append(''.join(self.chars))
        elif name=="Row":
            self.rows.append(self.cells)
        elif name=="Table":
            self.tables.append(self.rows)

excelHandler = ExcelHandler()
parse('coalpublic2012.xls', excelHandler)
df1 = pd.DataFrame(excelHandler.tables[0][4:], columns=excelHandler.tables[0][3])

Answer 2

问题是，虽然 2013 年的数据是一个实际的 Excel 文件，但 2012 年的数据是一个 XML 文档，这在 Python 中似乎不受支持。 我想说最好的办法是在 Excel 中打开它，然后将副本另存为正确的 Excel 文件或 CSV。

Answer 3

您可以以编程方式转换此 Excel XML 文件。 要求：安装了Windows、Office。

1.在记事本中创建ExcelToCsv.vbs脚本：

if WScript.Arguments.Count < 3 Then
    WScript.Echo "Please specify the source and the destination files. Usage: ExcelToCsv <xls/xlsx source file> <csv destination file> <worksheet number (starts at 1)>"
    Wscript.Quit
End If

csv_format = 6

Set objFSO = CreateObject("Scripting.FileSystemObject")

src_file = objFSO.GetAbsolutePathName(Wscript.Arguments.Item(0))
dest_file = objFSO.GetAbsolutePathName(WScript.Arguments.Item(1))
worksheet_number = CInt(WScript.Arguments.Item(2))

Dim oExcel
Set oExcel = CreateObject("Excel.Application")

Dim oBook
Set oBook = oExcel.Workbooks.Open(src_file)
oBook.Worksheets(worksheet_number).Activate

oBook.SaveAs dest_file, csv_format

oBook.Close False
oExcel.Quit

2. 将 Excel XML 文件转换为 CSV：

$ cscript ExcelToCsv.vbs coalpublic2012.xls coalpublic2012.csv 1

3. 用 Pandas 打开 CSV 文件

>>> df1 = pd.read_csv('coalpublic2012.csv', skiprows=3)

参考： 将 Excel 文件读取到 Pandas 数据框的更快方法

Answer 4

这是我对@jrovegno 方法的更新（从“Python Cookbook 2nd Edition”复制而来），因为该代码将空格添加到我的 header 行并且不够通用：

import pandas as pd
from xml.sax import ContentHandler, parse


class ExcelXMLHandler(ContentHandler):
    def __init__(self):
        self.tables = []
        self.chars = []

    def characters(self, content):
        self.chars.append(content)

    def startElement(self, name, attrs):
        if name == "Table":
            self.rows = []
        elif name == "Row":
            self.cells = []
        elif name == "Data":
            self.chars = []

    def endElement(self, name):
        if name == "Table":
            self.tables.append(self.rows)
        elif name == "Row":
            self.rows.append(self.cells)
        elif name == "Data":
            self.cells.append("".join(self.chars))


def xml_to_dfs(path):
    """Read Excel XML file at path and return list of DataFrames"""
    exh = ExcelXMLHandler()
    parse(path, exh)
    return [pd.DataFrame(table[1:], columns=table[0]) for table in exh.tables]

基本上，我的 XML 的结构如下：

<Worksheet>
    <Table>
        <Row>
            <Cell>
                <Data>  # appears redundant with <Cell>

Answer 5

@JBWhitmore 我运行了以下代码：

import pandas as pd
#Read and write to excel
dataFileUrl = r"/Users/stutiverma/Downloads/coalpublic2012.xls"
data = pd.read_table(dataFileUrl)

这将成功读取文件而不会出现任何错误。 但是，它以上述确切格式提供所有数据。 因此，您可能需要付出额外的努力才能在成功读取数据后对其进行处理。