Python ElementTree与bs4解析XML报格式错误问题排查

两个完全独立实现的XML解析库在相同行列位置抛出完全一致的格式校验错误，可直接排除解析代码逻辑/写法问题，错误100%来自待解析的XML备份文件本身不符合W3C XML格式规范。

ParseError: not well-formed (invalid token): line 3, column 13明确指向文件第3行第13个字符位置存在XML规范不允许的非法内容，这类短信备份文件的常见触发原因按出现概率排序：

• 未转义特殊字符：XML要求<、>、&三个字符必须转义为对应实体（</>/&），绝大多数短信备份工具导出时不会对短信正文做转义处理，正文里出现&、<3类表情、特殊符号时就会触发错误
• 属性值未加引号：XML强制要求所有标签属性值必须用单/双引号包裹，如果第3行标签属性格式为<sms address=10086 date=1620000000>而非标准的<sms address="10086" date="1620000000">，属性值起始位置就会被判定为非法token
• 编码不匹配：XML头部声明的编码和文件实际存储编码不一致（比如声明为UTF-8但实际是GBK编码保存），中文字符会被识别为非法字节序列
• 非法控制字符：导出过程中混入了ASCII 0-31范围内的不可见控制字符（制表符、换行、回车除外），这类字符不被XML规范允许直接出现

1. 先用纯文本编辑器（VS Code/Notepad++均可）打开XML文件，直接跳转到第3行第13列位置，肉眼即可确认具体是上述哪类问题。
2. 不建议手动修改原备份文件，通过代码容错/预处理即可正常解析：
   • bs4容错解析方案（最简单，无需手动处理非法字符）：

     from bs4 import BeautifulSoup
     
     with open("sms_backup.xml", "r", encoding="utf-8", errors="ignore") as f:
         # 选用带容错能力的html.parser解析器，自动兼容不规范XML
         soup = BeautifulSoup(f.read(), "html.parser")
     
     # 后续正常提取标签即可，示例：
     all_sms = soup.find_all("sms")
     for sms in all_sms:
         print(sms.get("address"), sms.get("body"))
     

   • ElementTree预处理解析方案：

     import xml.etree.ElementTree as ET
     import re
     
     with open("sms_backup.xml", "r", encoding="utf-8", errors="ignore") as f:
         raw_content = f.read()
     
     # 替换未转义的&符号，避开已合法转义的实体
     fixed_content = re.sub(r'&(?!(lt|gt|amp|quot|apos);)', '&', raw_content)
     # 移除非法不可见控制字符
     fixed_content = re.sub(r'[\x00-\x08\x0b\x0c\x0e-\x1f]', '', fixed_content)
     
     root = ET.fromstring(fixed_content)
     # 后续正常遍历节点即可
     

添加上述容错/预处理逻辑后如果解析正常，即可完全确认问题来自备份文件本身的格式缺陷，和解析代码写法无关——非专业导出工具生成的XML备份不做特殊字符转义是这类问题的最高发诱因。

内容的提问来源于stack exchange，提问作者user3087182