如何批量修复XML格式错误并使用Python的xml.etree.ElementTree解析

针对XML文件开头存在重复/不完整XML声明导致解析失败的问题，可通过两种方式解决：临时清理内容后解析（不修改原文件）或者批量修改原文件永久修复。

一、临时清理后解析（不修改原文件） #

这种方法在读取文件内容时先清理多余的XML声明，再传递给ElementTree解析，不会改动原文件：

import xml.etree.ElementTree as ET
import re
import glob

def parse_fixed_xml(file_path):
    # 读取文件内容
    with open(file_path, 'r', encoding='utf-8') as f:
        content = f.read()
    
    # 移除开头不完整的XML声明及前置内容，保留第一个完整的XML声明
    cleaned_content = re.sub(r'^.*?(<\?xml[^>]+?>)', r'\1', content, flags=re.DOTALL)
    # 若存在多个完整XML声明，仅保留第一个
    cleaned_content = re.sub(r'(<\?xml[^>]+?>\s*)+', r'\1', cleaned_content, flags=re.MULTILINE)
    
    # 解析清理后的内容
    root = ET.fromstring(cleaned_content)
    return root

# 批量处理目录下所有XML文件
for xml_file in glob.glob('*.xml'):
    print(f"正在处理文件：{xml_file}")
    root = parse_fixed_xml(xml_file)
    # 执行原有的解析逻辑
    for child in root.iter('count'):
        print(child.tag, child.attrib)

代码说明： #

• re.sub(r'^.*?(<\?xml[^>]+?>)', r'\1', content, flags=re.DOTALL)：匹配文件开头到第一个完整XML声明（包含?>）的所有内容，替换为保留完整声明，解决示例中开头不完整声明的问题。
• re.sub(r'(<\?xml[^>]+?>\s*)+', r'\1', cleaned_content, flags=re.MULTILINE)：处理存在多个完整XML声明的场景，仅保留第一个。
• glob.glob('*.xml')：批量匹配当前目录下所有XML文件，可按需修改路径（如'/path/to/xmls/*.xml'）。

二、批量修改原文件（永久修复） #

如果需要永久修复这些XML文件，可将清理后的内容写回原文件（注意：操作前请备份文件，避免数据丢失）：

import re
import glob

def fix_xml_file(file_path):
    with open(file_path, 'r', encoding='utf-8') as f:
        content = f.read()
    
    # 应用同样的清理规则
    cleaned_content = re.sub(r'^.*?(<\?xml[^>]+?>)', r'\1', content, flags=re.DOTALL)
    cleaned_content = re.sub(r'(<\?xml[^>]+?>\s*)+', r'\1', cleaned_content, flags=re.MULTILINE)
    
    # 写回原文件
    with open(file_path, 'w', encoding='utf-8') as f:
        f.write(cleaned_content)

# 批量修复所有XML文件
for xml_file in glob.glob('*.xml'):
    print(f"正在修复文件：{xml_file}")
    fix_xml_file(xml_file)

注意事项 #

• 不确定正则匹配效果时，可先对单个文件测试清理后的内容，确认无误后再批量处理。
• 批量修改文件前务必备份，防止因规则错误导致文件损坏。

内容的提问来源于stack exchange，提问作者user16016201