解析XML文件报错是什么原因？如何跳过无效XML文件继续处理？

xml.etree.ElementTree.ParseError: not well-formed (invalid token) 属于XML格式合法性错误，不一定是文件物理损坏，常见触发原因包括：

• XML文件实际编码和头部声明的编码不匹配，比如声明为UTF-8但实际是GBK编码
• 内容中存在XML1.0不支持的字符，比如未转义的&/</>特殊符号、控制字符、emoji等
• 标签未闭合、属性引号未配对、内容截断等格式错误
  你手动打开文件也报错，说明该文件本身不符合XML规范，属于格式非法的XML文件。

方案1：捕获异常跳过非法文件（最稳妥的批量处理方案） #

遍历文件时增加异常捕获逻辑，遇到解析失败的文件直接跳过，同时可以记录失败文件清单方便后续排查，示例代码如下：

import os
import xml.etree.ElementTree as ET

# 你的XML文件存放目录
xml_dir = "C:/data/UserA/Desktop/XML-files"
success_count = 0
failed_list = []

for file_name in os.listdir(xml_dir):
    if not file_name.lower().endswith(".xml"):
        continue
    file_path = os.path.join(xml_dir, file_name)
    try:
        tree = ET.parse(file_path)
        # 此处替换为你正常处理XML的业务逻辑
        success_count += 1
    except ET.ParseError as e:
        failed_list.append((file_name, str(e)))
        continue

print(f"批量处理完成，成功解析{success_count}个文件，{len(failed_list)}个文件解析失败")
if failed_list:
    print("解析失败文件清单：")
    for name, err in failed_list:
        print(f"{name}：{err}")

方案2：使用容错性更高的解析器尽可能修复读取 #

如果需要尽可能读取内容不规范的XML，可以使用lxml库的解析器，开启修复模式后会自动忽略/修复小的格式错误，兼容性远高于标准库的ElementTree：

1. 先安装依赖：pip install lxml
2. 示例代码：

from lxml import etree

# 开启自动修复模式的解析器
parser = etree.XMLParser(recover=True)
file_path = "C:/data/UserA/Desktop/XML-files/file_348.xml"
try:
    tree = etree.parse(file_path, parser=parser)
    # lxml的etree接口和标准库ElementTree大部分兼容，可直接替换使用
    print(tree)
except Exception as e:
    # 损坏过于严重的文件依然会解析失败，此处捕获即可
    print(f"{file_path}解析失败：{e}")

问题排查技巧 #

如果需要修复单个报错文件，可以打开file_348.xml跳转到第62行第48列的位置，检查该位置的字符是否为非法特殊字符，手动转义或删除后即可正常解析。

内容的提问来源于stack exchange，提问作者Andalusia