我正在尝试使用 urllib 和 xlrd 下载并操作 xls 文件。
我使用的是 Python 2.7、xlrd 0.9.4、urllib 1.17,并且使用的是 Mac。
我能够使用此代码成功下载文件。
saveLocation = home_dir+"/test/"
fileName = "data.xls"
page = <the url given above>
urllib.urlretrieve(page, saveLocation+fileName)
然后我尝试使用 xlrd 打开该文件
wb = xlrd.open_workbook(saveLocation+fileName)
但出现错误
XLRDError: Unsupported format, or corrupt file: Expected BOF record; found '\r\n\r\n<htm'
这告诉我该文件不是作为真正的 xls 文件下载的。 我可以在 Excel 中打开该文件,并且不会收到弹出警告或兼容性错误。 奇怪的是,如果我随后将文件(在 Excel 中)保存为 Excel 97-2004,xlrd 错误就会消失。因此,Excel 似乎“修复”了文件中的任何问题。
所以我的问题是,如何在 python 中“修复”文件或以 xlrd 可以识别的适当格式下载数据?
我还尝试将文件下载为 xlsx 文件并使用 openpyxl 但出现类似的错误。 openpyxl 说它不是有效的 zip 文件。 我还尝试使用不同的方法(例如请求)下载数据。
谢谢。
编辑: 使用@DSM提供的信息,我能够下载并使用Excel文件。这是我使用的代码。
dfs = pd.read_html(fileLocation+fileName, index_col = 7, header=0)[0]
writer = pd.ExcelWriter(fileLocation+fileName)
dfs.to_excel(writer,"Sheet1")
writer.save()
然后我就可以将文件作为真正的 Excel 文件进行访问
ws = pd.read_excel(fileLocation+fileName, 0)
最佳答案
作为<htm
位应该提示,这实际上是以 xml 方式呈现的数据,尽管名称为 .xls
。 (当数据难以阅读时,几乎总是值得在您最喜欢的编辑器中手动查看数据 header ,以检查其实际内容。)有时这可能确实很麻烦,但幸运的是,我们可以在这里只需使用 read_html
即可阅读它:
>>> url="http://profiles.doe.mass.edu/search/search_export.aspx?orgCode=&orgType=5,12&runOrgSearch=Y&searchType=ORG&leftNavId=11238&showEmail=N"
>>> dfs = pd.read_html(url)
>>> len(dfs)
1
>>> dfs[0].iloc[:5,:5]
0 1 \
0 Org Name Org Code
1 Abby Kelley Foster Charter Public (District) 04450000
2 Abington 00010000
3 Academy Of the Pacific Rim Charter Public (Dis... 04120000
4 Acton (non-op) 00020000
2 3 4
0 Org Type Function Contact Name
1 Charter District Charter School Leader Brian Haas
2 Public School District Superintendent Peter Schafer
3 Charter District Charter School Leader Chris Collins
4 Public School District Superintendent Glenn Brand
仔细观察,我们发现我们可以使用第 0 行作为标题,因此:
>>> df = pd.read_html(url, header=0)[0]
>>> df.iloc[:5, :5]
Org Name Org Code \
0 Abby Kelley Foster Charter Public (District) 4450000
1 Abington 10000
2 Academy Of the Pacific Rim Charter Public (Dis... 4120000
3 Acton (non-op) 20000
4 Acton-Boxborough 6000000
Org Type Function Contact Name
0 Charter District Charter School Leader Brian Haas
1 Public School District Superintendent Peter Schafer
2 Charter District Charter School Leader Chris Collins
3 Public School District Superintendent Glenn Brand
4 Public School District Superintendent Glenn Brand
关于python - 在python中下载和使用xls文件时出现问题,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33486700/