使用pd.read_xml读取含变音特殊字符标签的XML文件报错求助

使用pandas的read_xml()方法读取标签中包含变音符号（Umlauts）的XML文件时持续触发解析报错，不希望通过全局替换文件内变音符号的方式解决问题。

复现代码 #

import io
import pandas as pd

f = io.StringIO("""<?xml version="1.0" encoding="UTF-8"?>
<!--Erzeugt durch 4D Anwendung-->
<Root>
  <r1_Belegzeile>
    <ID>65377</ID>
    <Belegtext>ABCABCABC</Belegtext>
    <Belegkürzel>ABC</Belegkürzel>
  </r1_Belegzeile>
  <r1_Belegzeile>
    <ID>65377</ID>
    <Belegtext>EFGEFGEFG</Belegtext>
    <Belegkürzel>EFG</Belegkürzel>
  </r1_Belegzeile>
</Root>
""")

df = pd.read_xml(f)

已尝试操作与报错 #

• 直接运行上述代码抛出错误：XMLSyntaxError: error parsing attribute name, line 5, column 12
• 为read_xml添加encoding="ISO-8859-1"参数，问题未解决
• 更换解析器为parser="etree"，报错变更为ParseError: not well-formed (invalid token): line 5, column 11
• 已确认报错触发点为标签<Belegkürzel>中的变音字符ü

报错核心原因是StringIO承载的是Unicode字符串，XML解析器处理这类流时不会读取头部的编码声明，默认按ASCII规则校验标签名，遇到非ASCII的变音字符就会判定为非法标记。不需要修改原文件内容，按以下方式调整即可：

方案1：转UTF-8字节流读取 #

将XML内容编码为UTF-8格式的字节流，用BytesIO承载后传入read_xml，显式指定编码即可正常解析：

import io
import pandas as pd

xml_content = """<?xml version="1.0" encoding="UTF-8"?>
<!--Erzeugt durch 4D Anwendung-->
<Root>
  <r1_Belegzeile>
    <ID>65377</ID>
    <Belegtext>ABCABCABC</Belegtext>
    <Belegkürzel>ABC</Belegkürzel>
  </r1_Belegzeile>
  <r1_Belegzeile>
    <ID>65377</ID>
    <Belegtext>EFGEFGEFG</Belegtext>
    <Belegkürzel>EFG</Belegkürzel>
  </r1_Belegzeile>
</Root>
"""
# 转为UTF-8字节流
f = io.BytesIO(xml_content.encode("utf-8"))
df = pd.read_xml(f, encoding="utf-8")

如果是读取本地XML文件，直接传入文件路径即可，不要用StringIO转存字符串：

df = pd.read_xml("your_file_path.xml", encoding="utf-8")

方案2：开启lxml解析容错模式 #

如果源文件存在部分不符合XML严格规范的写法，可自定义lxml解析器开启恢复模式，兼容非标准标签：

import io
import pandas as pd
from lxml import etree

xml_content = """<?xml version="1.0" encoding="UTF-8"?>
<!--Erzeugt durch 4D Anwendung-->
<Root>
  <r1_Belegzeile>
    <ID>65377</ID>
    <Belegtext>ABCABCABC</Belegtext>
    <Belegkürzel>ABC</Belegkürzel>
  </r1_Belegzeile>
  <r1_Belegzeile>
    <ID>65377</ID>
    <Belegtext>EFGEFGEFG</Belegtext>
    <Belegkürzel>EFG</Belegkürzel>
  </r1_Belegzeile>
</Root>
"""
f = io.BytesIO(xml_content.encode("utf-8"))
# 配置解析器开启容错，指定编码
custom_parser = etree.XMLParser(recover=True, encoding="utf-8")
df = pd.read_xml(f, parser=custom_parser, encoding="utf-8")

内容的提问来源于stack exchange，提问作者divingTobi