如何用Python正确解析HTML注释中的XML内容？

为啥会报错？ #

你碰到的ParseError多半是两个原因：一是提取XML的时候带了多余字符（比如注释的<!--/-->没清干净，或者首尾留了空格换行）；二是给XML加三重单引号完全是画蛇添足——ET.fromstring只认纯XML字符串，你加的三重单引号会被当成XML内容的一部分，这肯定不符合XML格式，不报错才怪。

完整解决步骤 #

1. 正确读取HTML文件 #

尽量用文本模式读文件，指定好编码（比如utf-8），避免二进制转字符串时搞乱编码：

with open("你的文件.html", "r", encoding="utf-8") as f:
    html_content = f.read()

2. 精准抠出注释里的XML #

别用索引硬切，用正则匹配靠谱多了，直接抓<!--和-->之间的内容，顺便把首尾的空白清掉：

import re

# 匹配HTML注释，把里面的内容捞出来
match = re.search(r'<!--\s*(.*?)\s*-->', html_content, re.DOTALL)
if match:
    xml_raw = match.group(1).strip()
else:
    raise ValueError("没找到带XML的HTML注释")

• re.DOTALL让.能匹配换行符，适配多行的XML
• strip()把XML首尾的换行、空格清掉，避免解析时踩格式坑

3. 正常解析XML #

直接把清理好的XML字符串传给ET.fromstring就行，啥额外引号都不用加：

import xml.etree.ElementTree as ET

try:
    root = ET.fromstring(xml_raw)
    print("XML解析成功")
    # 后面就能操作root节点了，比如遍历子元素
    for child in root:
        print(child.tag, child.attrib)
except ET.ParseError as e:
    print(f"解析失败: {e}")
    # 可以把清理后的XML打出来看看哪里有问题
    print("待解析的XML内容:\n", xml_raw)

额外排查点 #

要是还报错，检查这俩地方：

• 抠出来的xml_raw是不是合法XML？比如有没有没转义的特殊字符，像&得写成&才行
• 要是文本模式读文件乱码，就换成二进制读取后再解码：

  with open("你的文件.html", "rb") as f:
      html_content = f.read().decode("utf-8")
  

内容的提问来源于stack exchange，提问作者ShChawla