解析NBA比赛HTML文件时出现Document is empty错误求助

核心原因定位 #

lxml.etree.ParserError: Document is empty 直接指向当前处理的文件内容为空——要么是文件本身是0字节的空文件，要么是读取时因IO问题（比如权限、文件损坏）拿到了空内容。

针对性修复步骤 #

1. 精准定位问题文件 #

在遍历循环里加入计数和路径打印，触发错误时直接输出对应文件路径，快速锁定问题源：

import os
from lxml import etree

file_dir = "你的HTML文件目录路径"
count = 0

for filename in os.listdir(file_dir):
    count += 1
    file_path = os.path.join(file_dir, filename)
    if not filename.endswith(".html"):
        continue
    print(f"处理第{count}个文件: {file_path}")
    try:
        # 原解析逻辑
        tree = etree.parse(file_path)
        # 其他处理代码...
    except etree.ParserError as e:
        print(f"出错文件: {file_path}, 错误信息: {e}")
        continue

运行后就能直接找到报错的具体文件，检查它的大小和内容是否正常。

2. 提前过滤空文件 #

在解析前判断文件大小，0字节文件直接跳过，避免触发解析错误：

# 加入到文件处理前的判断逻辑中
if os.path.getsize(file_path) == 0:
    print(f"跳过空文件: {file_path}")
    continue

3. 增强读取容错性 #

有些文件并非空文件，但读取时可能因权限、损坏等问题返回空内容，改用先读取内容再解析的方式，同时捕获IO异常：

try:
    with open(file_path, 'r', encoding='utf-8') as f:
        content = f.read().strip()
    if not content:
        print(f"文件内容为空: {file_path}")
        continue
    tree = etree.fromstring(content.encode('utf-8'))
    # 其他处理逻辑...
except IOError as e:
    print(f"读取文件失败: {file_path}, 错误: {e}")
    continue
except etree.ParserError as e:
    print(f"解析文件失败: {file_path}, 错误: {e}")
    continue

额外排查点 #

• 检查目录中的隐藏文件、临时文件（比如.DS_Store、*.tmp），这类文件可能被误判为HTML文件，导致解析出错，可在遍历阶段增加更严格的文件名过滤。
• 确认目标文件是否被其他进程占用，导致读取失败。

内容的提问来源于stack exchange，提问作者jhgjhgkk