使用预处理清洗非法字符或lxml恢复模式可解决Python解析含非法字符XML失败问题。首先通过正则清除ASCII控制字符（除tab、换行、回车），再用ElementTree解析；或使用lxml的recover=True容错解析，适用于结构完整但含非法字符的XML；对于大文件可边读取边过滤，避免内存溢出，确保解析成功且不破坏标签结构。

Python处理包含非法字符的XML时，常会遇到解析失败的问题，主要因为XML标准对某些控制字符（如ASCII码0x01-0x1F，除制表符、换行符、回车符外）定义为非法。这些字符可能来自数据导出、日志文件或第三方接口返回内容。直接使用xml.etree.ElementTree或lxml等库解析时，会抛出ParseError。以下是几种有效的解决方案。

清理非法字符再解析

最直接的方法是在解析前预处理XML字符串，移除或替换不符合XML规范的字符。可使用正则表达式过滤掉非法控制字符。

以下是一个实用的清洗函数：

import re
def clean_xml_string(data):
立即学习“Python免费学习笔记（深入）”；
匹配XML不允许的控制字符（保留tab、换行、回车）
illegal_xml_chars = re.compile(
    '[\x00-\x08\x0b\x0c\x0e-\x1f\x7f-\x84\x86-\x9f]'
)
return illegal_xml_chars.sub('', data)
使用方式示例：
import xml.etree.ElementTree as ET
raw_xml = "
Invalid char hereClean content"
cleaned_xml = clean_xml_string(raw_xml)
try:
root = ET.fromstring(cleaned_xml)
print("解析成功:", root.tag)
except ET.ParseError as e:
print("解析失败:", e)
使用lxml并开启恢复模式
lxml库提供了强大的容错能力，可通过自定义解析器在遇到错误时尝试恢复。
安装lxml（若未安装）：
pip install lxml
代码示例：

							

								
								

									塔猫ChatPPT
									
塔猫官网提供AI一键生成 PPT的智能工具，帮助您快速制作出专业的PPT。塔猫ChatPPT让您的PPT制作更加简单高效。
								
								下载 
							
						
from lxml import etree
class RecoveryParser(etree.XMLParser):
def init(self):
super().init(recover=True, encoding='utf-8')
xml_with_bad_chars = "Some text"
try:
parser = RecoveryParser()
root = etree.fromstring(xml_with_bad_chars.encode('utf-8'), parser)
print("lxml解析成功:", root.tag)
except Exception as e:
print("lxml也失败了:", e)
设置recover=True后，lxml会跳过非法字符并继续解析，适合处理不规范但结构基本正确的XML。
逐字节读取并过滤文件流
当处理大文件或网络流时，建议边读取边过滤。适用于从文件或HTTP响应中读取XML内容的情况。
示例：读取文件并实时清理
def read_clean_xml_file(file_path):
    with open(file_path, 'r', encoding='utf-8') as f:
        content = f.read()
    return clean_xml_string(content)
然后用ET或lxml解析返回的内容
xml_data = read_clean_xml_file('dirty.xml')
root = ET.fromstring(xml_data)
对于超大文件，可分块读取并应用相同规则，避免内存溢出。
注意事项与建议
处理非法字符时需注意：

确保不破坏XML标签结构，仅清除文本内容中的非法字符
保留	(tab)、
(LF)、
(CR)，它们在XML中是合法的空白字符
若数据来源可控，应从源头修复生成逻辑，避免产生非法字符
清洗后建议验证根节点是否存在，防止解析后为空

基本上就这些方法。根据实际场景选择清洗预处理或使用lxml容错解析，都能有效解决Python解析含非法字符XML的问题。关键是提前识别问题字符，并采取合适策略处理。