使用xml2dict解析XML文件遇ExpatError，复制字符串可正常解析

这种情况我之前碰到过好几次，大概率是文件编码问题或者文件开头藏了不可见字符搞的鬼！毕竟你把内容复制成字符串能正常解析，说明XML本身结构没问题，问题出在文件读取的环节。下面给你几个针对性的解决思路：

1. 处理UTF-8 BOM头 #

很多Windows生成的XML文件会带UTF-8 BOM（字节顺序标记），Python默认用open()读文件时如果不指定编码，会把BOM当成普通字符，直接导致解析器在第1行就报错。

解决代码： #

读文件时指定编码为utf-8-sig，它会自动去掉BOM：

import xmltodict
import pandas as pd

def parse_xml_to_df(file_path):
    # 用utf-8-sig编码读取，自动处理BOM
    with open(file_path, 'r', encoding='utf-8-sig') as f:
        xml_content = f.read()
    # 解析XML为字典
    xml_dict = xmltodict.parse(xml_content)
    # 这里替换成你的XML根节点名称，比如xml_dict['your_root_tag']
    return pd.DataFrame.from_dict(xml_dict['root'])

2. 清理文件开头的不可见控制字符 #

有些文件可能在开头混入了ASCII控制字符（比如NULL字符、奇怪的不可见符号），复制到Python字符串时这些字符会被自动过滤，但直接读文件会保留，导致解析器报错。

解决代码： #

读取文件后，先定位到第一个<的位置，截断前面的所有内容：

def clean_xml_header(xml_str):
    # 找到XML标签的起始位置
    start_pos = xml_str.find('<')
    if start_pos != -1:
        return xml_str[start_pos:]
    return xml_str

# 调用示例
with open(file_path, 'r', encoding='utf-8') as f:
    raw_content = f.read()
cleaned_content = clean_xml_header(raw_content)
xml_dict = xmltodict.parse(cleaned_content)
df = pd.DataFrame.from_dict(xml_dict['root'])

3. 验证文件开头的异常字符 #

如果你不确定具体是什么问题，可以先打印文件前20个字节的十六进制值，排查异常：

with open(file_path, 'rb') as f:
    first_20_bytes = f.read(20)
# 打印每个字节的十六进制表示
print([hex(byte) for byte in first_20_bytes])

• 如果看到开头是0xef 0xbb 0xbf，那就是UTF-8 BOM，用第一种方法解决；
• 如果出现0x00之类的奇怪值，就是控制字符，用第二种方法清理。

4. 标准化换行符（可选） #

少数情况下，文件的换行符是Windows/Linux混合格式，或者行尾有多余空格，也可能触发解析错误，可以尝试先标准化换行符：

import re

def normalize_newlines(xml_str):
    # 把所有换行符统一成\n
    return re.sub(r'\r\n|\r', '\n', xml_str)

内容的提问来源于stack exchange，提问作者seanysull