Python解决xlrd读取HTML格式Excel报错及pd.read_html数据不完整问题

Aria

发布时间：2026-10-15 | 4人浏览过

原创

本文解决Python中使用xlrd读取HTML格式Excel文件时出现的Unsupported format报错，并针对pd.read_html读取数据不完整的问题，推荐将解析器flavor设置为'bs4'以获取完整数据。

Python读取HTML表格

数据部门提供的数据文件虽然扩展名为xls，但在执行读取脚本时却遭遇报错。

具体报错信息如下：

xlrd.biffh.XLRDError: Unsupported format, or corrupt file: Expected BOF record; found b'<html xm'

导致该错误的原始读取脚本如下：

data_lines = read_excel_file(self.file_path)

def read_excel_file(file_path):
    """
    读取excel文件
    """
    import xlrd
    print('[Info] excel file: {}'.format(file_path))
    book = xlrd.open_workbook(file_path)
    sheet = book.sheet_by_index(0)
    data_lines = []
    for row in range(0, sheet.nrows):
        line_data = []
        for column in range(0, sheet.ncols):
            val = sheet.cell(row, column).value
            line_data.append(val)
        data_lines.append(line_data)
    return data_lines  # 二维数组

经排查，根本原因在于该文件实际格式为HTML表格，而非真正的Excel二进制格式。参考关于python xlrd unsupported format, or corrupt file的相关讨论可知，xlrd无法解析此类文件。

为解决此问题，改用pandas库的read_html函数读取文件。同时，在读取过程中需将NaN值替换为空字符，以确保数据格式的一致性。

def read_html_table(file_path):
    """
    读取html表格
    """
    import pandas as pd
    pd_table = pd.read_html(file_path)
    df = pd_table[0]
    # num_col = df.shape[1]
    # num_row = df.shape[0]
    df_data = df.values.tolist()
    df_data = df_data[1:]
    for r_idx, row in enumerate(df_data):
        for c_idx, value in enumerate(row):
            # 判断nan，参考https://stackoverflow.com/questions/944700/how-can-i-check-for-nan-values
            if value != value:
                df_data[r_idx][c_idx] = ""
    return df_data

通过上述调整，读取问题得以解决。