Python下载Excel文件防损坏技巧全解析

本文深入剖析了Python下载Excel文件时因日期格式误用（`%y`与`%Y`混淆）引发的隐蔽性故障——表面下载成功实则写入HTML错误页，导致文件损坏、无法被Excel或pandas正常读取；通过精准修正URL构造逻辑、强制HTTP状态校验、Content-Type验证及安全二进制写入等关键实践，手把手教你构建健壮可靠的下载流程，彻底规避静默失败，让自动化数据获取真正稳定可用。

本文讲解如何正确构造动态 URL 并安全下载 Excel 文件，重点解决因年份格式错误（%y vs %Y）导致的 404 错误和文件损坏问题，确保下载文件可被 Excel 或 pandas 正常读取。

本文讲解如何正确构造动态 URL 并安全下载 Excel 文件，重点解决因年份格式错误（`%y` vs `%Y`）导致的 404 错误和文件损坏问题，确保下载文件可被 Excel 或 pandas 正常读取。

在 Python 中通过 requests 下载 Excel 文件看似简单，但一个细微的日期格式错误就可能导致整个流程失败。你提供的代码中，URL 构造逻辑使用了 '%y'（两位数年份，如 24），而目标网站实际路径使用的是四位数年份（如 2024）。这使得生成的 URL 变为：

https://www.gso.gov.vn/wp-content/uploads/24/03/IIP-ENG.xlsx  ❌（404 Not Found）

而非正确的：

https://www.gso.gov.vn/wp-content/uploads/2024/03/IIP-ENG.xlsx ✅

由于服务器返回 404 响应，resp.content 实际包含的是 HTML 错误页面（而非 Excel 二进制数据），但代码仍将其写入 .xlsx 文件——这就导致文件“看似下载成功”，实则内容为 HTML 文本，自然无法被 Excel 或 openpyxl 解析，报出 BadZipFile: The file is not a Zip file。

✅ 修复方案：将 '%y' 改为 '%Y'，并增加健壮性检查

以下是优化后的完整代码，包含错误处理、响应验证和推荐实践：

import requests
from datetime import datetime, timedelta

# 正确构造 URL：使用 '%Y' 获取四位年份（如 2024），'%m' 自动补零（如 '03'）
base_url = "https://www.gso.gov.vn/wp-content/uploads/"
date_30_days_ago = datetime.now() - timedelta(days=30)
year = date_30_days_ago.strftime('%Y')
month = date_30_days_ago.strftime('%m')
file_name = "IIP-ENG.xlsx"

url = f"{base_url}{year}/{month}/{file_name}"

print(f"Attempting to download from: {url}")

try:
    resp = requests.get(url, timeout=15, verify=True)  # 启用 SSL 验证（推荐）
    resp.raise_for_status()  # 抛出 4xx/5xx 异常

    # 验证响应内容类型（可选但强烈建议）
    content_type = resp.headers.get('content-type', '')
    if 'application/vnd.openxmlformats-officedocument.spreadsheetml.sheet' not in content_type and 'application/octet-stream' not in content_type:
        raise ValueError(f"Unexpected Content-Type: {content_type}. Not an Excel file.")

    # 安全写入二进制文件
    with open('IIP.xlsx', 'wb') as f:
        f.write(resp.content)

    print("✅ Download successful. File saved as 'IIP.xlsx'")

    # 验证是否可被 pandas 读取（可选调试步骤）
    import pandas as pd
    df = pd.read_excel('IIP.xlsx', engine='openpyxl')
    print("First 5 rows:")
    print(df.head())

except requests.exceptions.RequestException as e:
    print(f"❌ Network error: {e}")
except ValueError as e:
    print(f"❌ Validation error: {e}")
except Exception as e:
    print(f"❌ Unexpected error: {e}")

? 关键注意事项：

• 永远使用 '%Y' 而非 '%y'：Excel 文件路径通常采用完整年份（2024），%y 仅适用于日志或兼容性场景，极易引发静默错误。
• 启用 resp.raise_for_status()：自动捕获 HTTP 错误状态，避免继续处理无效响应。
• 校验 Content-Type：防止下载到重定向页、登录页或错误 HTML。
• 使用 with open(...) 上下文管理器：确保文件句柄安全关闭，避免资源泄漏。
• 避免 verify=False：禁用 SSL 验证会带来安全风险，仅在调试自签名证书时临时使用；生产环境务必保持 verify=True（默认）。

? 进阶提示： 若需适配多月/多年归档结构（如 GSO 网站可能按月发布），建议先请求目录页或使用 HEAD 请求预检 URL 是否存在，再执行下载，进一步提升鲁棒性。

通过以上修正，你将获得一个真正可用的 .xlsx 文件，并能无缝集成至数据分析工作流中。

终于介绍完啦！小伙伴们，这篇关于《Python下载Excel文件防损坏技巧全解析》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布文章相关知识，快来关注吧！