Python：不支持的格式，或损坏的文件

Question

I am trying to make a python program that downloads and XLS file from a website, in this case website is: https://www.blackrock.com/uk/individual/products/291392/ , and loads it as a dataframe in pandas ，具有正确的数据结构。

问题是当我尝试通过 pandas 加载它时，它给了我一个错误：XLRDError：不支持的格式，或损坏的文件：预期的 BOF 记录； 找到 b'\xef\xbb\xbf\xef\xbb\xbf<?'

我不太确定是什么导致了这个错误，但可能是文件中的某些东西。 我可以在 Excel 中打开文件，即使我收到文件和文件扩展名不匹配的警告，并且文件可能很危险等。如果我单击“是”以打开它，它会打开并正确显示数据. 如果我使用 Excel 将文件另存为.xlsx，我可以在 pandas 中打开它，但我宁愿使用不需要手动打开 Excel 并保存文件的解决方案。

我尝试将文件扩展名重命名为 xlsx，但这不起作用，因为它不允许我打开具有该扩展名的文件。 我尝试了许多不同的扩展，但没有一个会咬人——不幸的是。

我很茫然。

我希望，你能帮忙。

编辑：我使用的代码是：

download_path = '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'

testing = pd.read_excel(download_path, engine='xlrd', sheet_name = 'Holdings', skiprows = 3)

Answer 1

实际问题是文件格式是SpreadSheetML，它仅在2003 年至2006 年之间短暂使用过。它已被XLSX 格式取代。 因为，它已经存在了很短的时间，而且不久前，大多数包不支持加载/保存操作。 有关格式的更多信息，请参见： https://docs.microsoft.com/en-us/previous-versions/office/developer/office-xp/aa140066(v=office.10)?redirectedfrom=MSDN

由于这个原因，Pandas 或任何其他 XML 解析器（例如 Etree）将无法正确加载。 常规的 MS Office 软件仍然可以正确加载它。 据我所知，您可以使用aspose-cells package: https://products.aspose.com/cells/python-java/处理 SpreadSheetML 文件

对于您的情况：

# Import packages

import jpype
import asposecells
jpype.startJVM()
from asposecells.api import Workbook, FileFormatType
from asposecells.api import HtmlSaveOptions

# Read Workbook

workbook = Workbook('iShares-MSCI-World-SRI-UCITS-ETF-USD-Dist_fund.xls')
worksheet = workbook.getWorksheets().get(0)

# Accessing a cell using its name

cells = worksheet.getCells()
cell = cells.get("A1")

# Print Message

print("Cell Value: " + str(cell.getValue())) # Prints Cell Value: 17-Nov-2021

# To save SpreadSheetML in different format (HTML)

saveOptions = HtmlSaveOptions()
saveOptions.setDisableDownlevelRevealedComments(True)
workbook.save("iShares-MSCI-World-SRI-UCITS-ETF-USD-Dist_fund.html", saveOptions)

Answer 2

正如 Slybot 所提到的，这不是一个真正的 xls 文件。

如果您在纯文本编辑器或十六进制编辑器中检查内容，header 将启动：

<?xml version="1.0"?>
<ss:Workbook xmlns:ss="urn:schemas-microsoft-com:office:spreadsheet">

确认这是 xml 文档，而不是 Office 2007 压缩 xlsx 办公文档。

您的下一步取决于您是否在将运行此代码的机器上安装了 Excel，如果没有，您有权访问并愿意支付的其他库 - 例如，Slybot 提到aspose 。

最简单的解决方案 - Excel

如果您在安装了 Excel 的 Windows 机器上运行此程序，则您可以免费且有能力选择自动打开 Excel 并保存为 xlsx 的操作。 这是通过使用 Win32com 模块，在这个答案中描述：

尝试使用 Python 解析 XLS (XML) 文件

Alternatively, save your Excel styled XML as xlsx with Workbook.SaveAs method using win32com (only for Windows users) and read in with pandas.read_excel skipping appropriate rows.

XML 解决方案

您可以阅读原始 XML 并消化它。 相关节点有：

<ss:Workbook>  
<ss:Worksheet ss:Name="Holdings">
<ss:Table>
<ss:Row>
<ss:Cell ss:StyleID="Left">
<ss:Data ss:Type="String">iShares MSCI World SRI UCITS ETF</ss:Data>

第三方库解决方案

我不熟悉提供此功能的任何库，因此无法就此选项提供建议。