使用Python ElementTree批量解析XML出现ParseError该如何解决？

ParseError: XML or text declaration not at start of entity: line 2, column 0 报错的核心原因是XML文件的声明（即<?xml version="1.0" encoding="xxx"?>这行内容）没有出现在文件的最起始位置，前面存在多余字符，常见诱因包括：

• XML第一行开头有空格、换行、制表符等空白字符
• 文件是UTF-8带BOM编码格式，读取时BOM头（不可见的\ufeff字符）被当做文件第一个内容，挤到了XML声明的前面
• 文件开头有其他多余的注释、文本内容

1. 代码优化+适配异常场景 #

你原有代码存在逻辑、缩进问题，同时增加编码适配、内容预处理逻辑，修改后代码如下：

import xml.etree.ElementTree as ET
import os

utterances = []
# 直接遍历xml文件列表，不要转字符串再拆分，避免文件名带空格时出错
xml_files = [x for x in os.listdir() if x.endswith('.xml')]

for filename in xml_files:
    # 用utf-8-sig编码自动识别并跳过UTF-8 BOM头
    with open(filename, 'r', encoding="utf-8-sig") as f:
        content = f.read()
        # 去除内容开头的所有空白字符，避免XML声明前有空格换行
        content = content.lstrip()
        # 从字符串解析XML
        root = ET.fromstring(content)
        for y in root.iter('UNIT'):
            utterances.append(y.text)

2. 批量修复异常XML文件 #

如果部分XML文件开头确实存在非空白的多余内容，可以增加预处理逻辑截断到XML声明起始位置，在读取content后增加如下代码即可：

# 找到<?xml声明的起始位置，截断前面的所有内容
xml_start = content.find('<?xml')
if xml_start != -1:
    content = content[xml_start:]

内容的提问来源于stack exchange，提问作者user14753120