Python读取非规范XML文件：遇指定字符串时停止读取的实现方案

既然你是处理不规范XML，还得用二进制模式读取，核心思路就是把二进制数据解码成文本后，逐行（或逐段）检查终止关键词，一旦匹配到就立刻停止读取，只保留前面的内容。下面我用Python给你举几个实用的实现方案：

• 基础版：逐行读取并检查关键词
  先把二进制行解码成字符串，每读一行就检查是否包含目标标题，遇到就终止循环，这样能避免把整个大文件加载到内存里：

  stop_phrase = "NOTICE TO APPELLANT"
  extracted_lines = []
  # 先尝试utf-8解码，不行就换成latin-1（万能兜底编码）
  encoding = "utf-8"
  
  with open("your_target.xml", "rb") as f:
      for line_bytes in f:
          # 忽略解码错误，避免不规范字符导致程序崩溃
          line = line_bytes.decode(encoding, errors="ignore")
          # 检查是否遇到终止标题
          if stop_phrase in line:
              break
          extracted_lines.append(line)
  
  # 把收集到的内容合并成完整文本，用于后续生成摘要
  truncated_content = "".join(extracted_lines)
  

• 进阶版：处理关键词跨行的情况
  有时候目标标题可能被拆成两行（比如“NOTICE TO”在一行，“APPELLANT”在下一行），这时候需要缓存上一行的内容，结合当前行一起检查：

  stop_phrase = "NOTICE TO APPELLANT"
  extracted_lines = []
  encoding = "utf-8"
  prev_line = ""
  
  with open("your_target.xml", "rb") as f:
      for line_bytes in f:
          line = line_bytes.decode(encoding, errors="ignore")
          # 把上一行和当前行拼接起来检查
          combined_text = prev_line.strip() + line
          if stop_phrase in combined_text:
              # 如果关键词跨行了，只保留到关键词出现前的部分
              split_pos = combined_text.index(stop_phrase)
              extracted_lines.append(combined_text[:split_pos])
              break
          extracted_lines.append(line)
          prev_line = line
  
  truncated_content = "".join(extracted_lines)
  

• 后续摘要生成：用容错解析库处理不规范XML
  拿到截断后的文本后，别用普通XML解析器（会因为格式不规范报错），可以用lxml的容错模式来解析：

  from lxml import etree
  
  # 创建支持修复不规范XML的解析器
  parser = etree.XMLParser(recover=True)
  try:
      # 把文本转回二进制再解析（lxml要求字节流）
      root = etree.fromstring(truncated_content.encode(encoding), parser=parser)
      # 这里根据你的需求提取摘要，比如提取所有<content>标签的文本
      summary = "\n".join([elem.text.strip() for elem in root.iter("content") if elem.text])
      print(summary)
  except Exception as e:
      print(f"解析XML时出错: {e}")
  

小提醒 #

• 如果utf-8解码乱码，直接换成latin-1编码，它能完美保留所有二进制数据，不会丢失内容。
• 要是关键词有大小写差异，可以改成不区分大小写的匹配：if stop_phrase.lower() in line.lower()。

内容的提问来源于stack exchange，提问作者user9608799