lxml 本身不支持直接容错解析损坏 XML,但可通过预处理组合实现尽力解析:用 BeautifulSoup 预清理修复结构、lxml 的 recover=True 模式跳过错误、正则清洗已知问题,或用 xmltodict 回退为轻量解析。

lxml 本身不支持直接容错解析损坏或不规范的 XML(比如缺失闭合标签、未转义的 &、编码声明错误、嵌套混乱等),但可以通过预处理 + 容错解析器组合实现“尽力而为”的解析。
BeautifulSoup(配合 html.parser 或 lxml 的 HTML 解析器)天生擅长修复破碎标记。它能把类 XML 的脏数据转成结构相对良好的树,之后可导出为标准 XML 字符串,再由 lxml 安全加载。
pip install beautifulsoup4 lxml
& 未转义、自闭合标签缺失斜杠、标签未闭合)from bs4 import BeautifulSoup
from lxml import etree
<h1>损坏的 XML 片段(含非法 &、未闭合标签)</h1><p>broken_xml = '''<root><item>price: 10&20</item><desc>good<desc></root>'''</p><h1>用 BeautifulSoup 当 HTML 解析(自动修复)</h1><p>soup = BeautifulSoup(broken_xml, 'html.parser')</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>
<div class="aritcle_card">
<a class="aritcle_card_img" href="/ai/1807">
<img src="https://img.php.cn/upload/ai_manual/000/969/633/68b6cc9c77119274.png" alt="故事AI绘图神器">
</a>
<div class="aritcle_card_info">
<a href="/ai/1807">故事AI绘图神器</a>
<p>文本生成图文视频的AI工具,无需配音,无需剪辑,快速成片,角色固定。</p>
<div class="">
<img src="/static/images/card_xiazai.png" alt="故事AI绘图神器">
<span>77</span>
</div>
</div>
<a href="/ai/1807" class="aritcle_card_btn">
<span>查看详情</span>
<img src="/static/images/cardxiayige-3.png" alt="故事AI绘图神器">
</a>
</div>
<h1>转回格式化 XML 字符串(注意:需手动补 xml 声明,若需要)</h1><p>clean_xml = str(soup).replace('<', '<').replace('>', '>') # 可选:还原原始尖括号转义</p><h1>更稳妥做法:用 soup.encode(formatter=None) 并解码为字符串</h1><h1>lxml 解析修复后的 XML</h1><p>root = etree.fromstring(clean_xml.encode('utf-8'))
print(root.xpath('//item/text()')) # ['price: 10&20']
lxml 的 etree.XMLParser 支持 recover=True,可在遇到严重错误时跳过非法部分、继续解析剩余内容(类似浏览器解析 HTML)。它不是万能修复,但对标签错位、小范围语法错误有效。
ErrorHandler 捕获警告,便于定位问题位置from lxml import etree
<p>parser = etree.XMLParser(recover=True)
tree = etree.parse('broken.xml', parser) # 不抛异常,内部静默跳过错误节点
root = tree.getroot()</p><h1>查看解析是否丢失内容(对比原始行数/标签数)</h1><p>print(len(root)) # 可能比预期少,说明部分被丢弃
对已知固定模式的损坏(如重复声明、BOM 头、多余空格、& 替换),手动预处理成本低、效果稳。
text.lstrip('\ufeff')
&:用正则替换 r'&(?!(amp|lt|gt|quot|#\d+);)' → '&'
<br> → <br>),仅在确定语义时使用<?xml ... ?> 声明(保留第一个)若只需读取数据、不依赖 XPath 或命名空间,xmltodict 对不规范 XML 更宽容(底层用 expat,部分错误会忽略)。
pip install xmltodict
import xmltodict
&amp;amp;lt;p&amp;amp;gt;broken = '&amp;amp;lt;data&amp;amp;gt;&amp;amp;lt;user id=&amp;amp;quot;1&amp;amp;quot;&amp;amp;gt;Alice&amp;amp;lt;/user&amp;amp;gt;&amp;amp;lt;user&amp;amp;gt;Bob&amp;amp;lt;/user&amp;amp;gt;&amp;amp;lt;/data&amp;amp;gt;'
try:
data = xmltodict.parse(broken)
print(data['data']['user']) # [{'@id': '1', '#text': 'Alice'}, 'Bob']
except Exception as e:
print(&amp;amp;quot;still failed:&amp;amp;quot;, e)
以上就是Python如何解析损坏或不规范的XML文件 lxml容错解析的详细内容,更多请关注php中文网其它相关文章!
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。
Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号