使用pandas读取vasprun.xml报错：文档末尾存在额外内容

尝试通过以下代码将vasprun.xml导入pandas DataFrame时：

df = pd.read_xml("vasprun.xml")

出现XML语法错误，报错核心信息为：

lxml.etree.XMLSyntaxError: Extra content at the end of the document, line 88, column 2

且需要处理约900个这类文件，以下是可行的解决方案：

错误原因 #

这个报错说明XML文件不符合标准格式——根元素闭合后仍存在额外内容，大概率是VASP运行中断导致文件未正常收尾，或是文件生成过程中出现冗余内容。

解决方案 #

方案1：批量修复XML文件 #

通过脚本自动修复损坏的XML文件，利用lxml的错误恢复模式解析后重新生成标准XML：

import os
from lxml import etree

def fix_vasprun_xml(file_path):
    try:
        # 启用错误恢复模式解析XML
        parser = etree.XMLParser(recover=True)
        tree = etree.parse(file_path, parser)
        # 写入修复后的文件（可选择覆盖原文件，或生成新文件）
        fixed_path = file_path.replace(".xml", "_fixed.xml")
        tree.write(fixed_path, encoding='utf-8', xml_declaration=True)
        return True
    except Exception as e:
        print(f"修复{file_path}失败: {str(e)}")
        return False

# 批量处理目标文件夹下的所有vasprun.xml
target_folder = "/替换为你的文件目录/"
for root, dirs, files in os.walk(target_folder):
    for file in files:
        if file == "vasprun.xml":
            fix_vasprun_xml(os.path.join(root, file))

方案2：使用VASP专用工具读取（推荐） #

vasprun.xml是VASP专属输出文件，用专门的材料计算库读取更高效且容错性更强，比如pymatgen：

from pymatgen.io.vasp import Vasprun
import pandas as pd
import os

def extract_vasprun_data(file_path):
    # 初始化Vasprun对象，ignore_errors参数可跳过部分文件损坏问题
    vr = Vasprun(file_path, ignore_errors=True)
    # 提取所需数据（示例为离子步的能量和步长，可根据需求调整）
    ionic_data = []
    for idx, step in enumerate(vr.ionic_steps):
        ionic_data.append({
            "file_name": os.path.basename(file_path),
            "step_idx": idx + 1,
            "total_energy": step["e_0_energy"],
            "avg_force": step["forces"].mean()
        })
    return pd.DataFrame(ionic_data)

# 批量读取并合并所有文件数据
all_dfs = []
target_folder = "/替换为你的文件目录/"
for root, dirs, files in os.walk(target_folder):
    for file in files:
        if file == "vasprun.xml":
            df = extract_vasprun_data(os.path.join(root, file))
            all_dfs.append(df)

final_df = pd.concat(all_dfs, ignore_index=True)

pymatgen会自动处理VASP输出文件的结构，无需手动解析XML，还能直接提取结构化的计算数据。

方案3：调整pandas读取参数 #

如果不想修改文件，可尝试将带有错误恢复的解析器传入pd.read_xml：

import pandas as pd
from lxml import etree

# 启用错误恢复模式的解析器
parser = etree.XMLParser(recover=True)
df = pd.read_xml("vasprun.xml", parser=parser)

这种方法可能会丢失部分数据，仅适合临时应急使用。

内容的提问来源于stack exchange，提问作者azad11