Python怎么处理包含非法字符的XML_Python解析含非法字符XML的解决方案-XML/RSS教程-PHP中文网

Python怎么处理包含非法字符的XML_Python解析含非法字符XML的解决方案

小老鼠

发布： 2025-10-28 20:05:01

原创

151人浏览过

使用预处理清洗非法字符或lxml恢复模式可解决Python解析含非法字符XML失败问题。首先通过正则清除ASCII控制字符（除tab、换行、回车），再用ElementTree解析；或使用lxml的recover=True容错解析，适用于结构完整但含非法字符的XML；对于大文件可边读取边过滤，避免内存溢出，确保解析成功且不破坏标签结构。

python怎么处理包含非法字符的xml_python解析含非法字符xml的解决方案

Python处理包含非法字符的XML时，常会遇到解析失败的问题，主要因为XML标准对某些控制字符（如ASCII码0x01-0x1F，除制表符、换行符、回车符外）定义为非法。这些字符可能来自数据导出、日志文件或第三方接口返回内容。直接使用xml.etree.ElementTree或lxml等库解析时，会抛出ParseError。以下是几种有效的解决方案。

清理非法字符再解析

最直接的方法是在解析前预处理XML字符串，移除或替换不符合XML规范的字符。可使用正则表达式过滤掉非法控制字符。

以下是一个实用的清洗函数：

import re
<p>def clean_xml_string(data):</p><p><span>立即学习</span>“<a href="https://pan.quark.cn/s/00968c3c2c15" style="text-decoration: underline !important; color: blue; font-weight: bolder;" rel="nofollow" target="_blank">Python免费学习笔记（深入）</a>”；</p><h1>匹配XML不允许的控制字符（保留tab、换行、回车）</h1><pre class='brush:php;toolbar:false;'>illegal_xml_chars = re.compile(
    '[\x00-\x08\x0b\x0c\x0e-\x1f\x7f-\x84\x86-\x9f]'
)
return illegal_xml_chars.sub('', data)

登录后复制

使用方式示例：

import xml.etree.ElementTree as ET
<p>raw_xml = "&#x01;Invalid char here<data>&#x02;Clean content</data>"
cleaned_xml = clean_xml_string(raw_xml)</p><p>try:
root = ET.fromstring(cleaned_xml)
print("解析成功:", root.tag)
except ET.ParseError as e:
print("解析失败:", e)
</font>

登录后复制

使用lxml并开启恢复模式

lxml库提供了强大的容错能力，可通过自定义解析器在遇到错误时尝试恢复。

安装lxml（若未安装）：

pip install lxml

代码示例：

法语写作助手

法语助手旗下的AI智能写作平台，支持语法、拼写自动纠错，一键改写、润色你的法语作文。

查看详情

from lxml import etree
<p>class RecoveryParser(etree.XMLParser):
def <strong>init</strong>(self):
super().<strong>init</strong>(recover=True, encoding='utf-8')</p><p>xml_with_bad_chars = "&#x03;<root>&#x04;Some text</root>"</p><p>try:
parser = RecoveryParser()
root = etree.fromstring(xml_with_bad_chars.encode('utf-8'), parser)
print("lxml解析成功:", root.tag)
except Exception as e:
print("lxml也失败了:", e)</p>

登录后复制

设置recover=True后，lxml会跳过非法字符并继续解析，适合处理不规范但结构基本正确的XML。

逐字节读取并过滤文件流

当处理大文件或网络流时，建议边读取边过滤。适用于从文件或HTTP响应中读取XML内容的情况。

示例：读取文件并实时清理

def read_clean_xml_file(file_path):
    with open(file_path, 'r', encoding='utf-8') as f:
        content = f.read()
    return clean_xml_string(content)
<h1>然后用ET或lxml解析返回的内容</h1><p>xml_data = read_clean_xml_file('dirty.xml')
root = ET.fromstring(xml_data)</p>

登录后复制

对于超大文件，可分块读取并应用相同规则，避免内存溢出。