如何在Python解析XML时忽略文本内容中的`]]>`？

哥们，我太懂你这种踩坑的憋屈感了——当初图省事没转义文本里的特殊序列，结果现在XML里的]]>直接把各种解析器都搞懵了，报错的报错、丢内容的丢内容，确实头疼。先给你理清楚你遇到的现状，再给你两个实用的解决办法：

首先是你已经碰到的那些糟心情况：

• 用Python标准库的xml.etree.ElementTree.fromstring直接抛错：ParseError: not well-formed (invalid token): line 1, column 25
• 换lxml的lxml.etree.fromstring也逃不过报错：XMLSyntaxError: Sequence ']]>' not allowed in content, line 1, column 24
• 试了lxml的recover模式，虽然能成功解析，但文本内容直接丢了，完全达不到需求

接下来给你两个可行的解决思路：

方法一：预处理XML文本（最简单直接） #

因为XML解析器报错的核心原因是]]>是CDATA段的结束标记，但你的文本里平白出现了这个序列，没有对应的开头，所以我们可以在解析前把这个序列转义成普通文本，让解析器把它当成普通内容处理。

具体代码示例如下：

# 先拿到有问题的XML字符串
bad_xml = "<foo>this is some text ]]></foo>"
# 预处理：把]]>替换成转义后的形式]]&gt;
fixed_xml = bad_xml.replace("]]>", "]]&gt;")

# 用标准库解析试试
import xml.etree.ElementTree as ET
root = ET.fromstring(fixed_xml)
print(root.text)  # 输出：this is some text ]]>

# 用lxml解析也完全没问题
from lxml import etree
root = etree.fromstring(fixed_xml)
print(root.text)  # 同样能拿到完整文本

这个方法的优点是代码简单，零额外学习成本，适合你这种没有真实CDATA段的场景；如果你的XML里本来就有合法的CDATA段，那这个替换会破坏CDATA，这种情况就不建议用了，但看你的描述应该是文本误写了]]>，所以这个方法完全够用。

方法二：用SAX解析器自定义处理文本（不修改原XML） #

如果你不想碰原XML字符串，那可以用Python的SAX解析器——它是逐段读取并处理XML内容的，不会因为]]>这个序列就直接报错，我们可以自己写个处理类来完整收集文本内容。

代码示例如下：

from xml.sax import handler, make_parser

class TextCollectHandler(handler.ContentHandler):
    def __init__(self):
        self.current_tag = None
        self.tag_text_map = {}
        self.text_buffer = []

    def startElement(self, name, attrs):
        # 遇到开始标签时，初始化当前标签和缓冲区
        self.current_tag = name
        self.text_buffer = []

    def characters(self, content):
        # 不管是什么内容，直接往缓冲区里加，完全不做过滤
        self.text_buffer.append(content)

    def endElement(self, name):
        # 标签结束时，把缓冲区的内容拼接起来存到字典里
        self.tag_text_map[name] = ''.join(self.text_buffer)
        self.current_tag = None

# 解析有问题的XML
bad_xml = "<foo>this is some text ]]></foo>"
parser = make_parser()
text_handler = TextCollectHandler()
parser.setContentHandler(text_handler)
parser.parseString(bad_xml)

# 拿到完整的文本内容
print(text_handler.tag_text_map['foo'])  # 输出：this is some text ]]>

这个方法的优点是完全不修改原XML内容，通过自定义逻辑绕过解析器的错误判定，灵活性更高，适合那些不能修改原XML的场景，唯一的小缺点是要自己写点SAX的处理逻辑，但代码也不算复杂。

总结一下，如果你场景简单，直接用预处理替换的方法就行；如果不想碰原XML，就用SAX解析器自定义处理，这两个方法都能帮你拿到完整的文本内容，不会再出现报错或者丢数据的问题。

备注：内容来源于stack exchange，提问作者Thomas Rambø