XML解析报错时应先轻量清洗：移除控制字符、统一编码、用lxml.recover容错解析；HTML实体、CDATA、空白需语义化处理；命名空间须显式声明；重复/空/类型混杂节点需归一化；结构变异需配置化映射。
XML结构不规范时，xml.etree.ElementTree 解析直接报错怎么办
遇到 ParseError: not well-formed (invalid token) 或 xml.parsers.expat.ExpatError，基本是 XML 含非法字符、未闭合标签、编码声明错位或 BOM 头干扰。别急着重写解析逻辑，先做轻量清洗：
- 用
bytes级替换移除常见控制字符：re.sub(b'[\x00-\x08\x0b\x0c\x0e-\x1f]', b'', raw_xml_bytes) - 检查并统一编码声明（如把
改为UTF-8），再用str.encode('utf-8')强制转码 - 用
chardet.detect()判定真实编码，避免盲目按声明解码 - 对明显缺闭合标签的片段（如
abc lxml.etree.fromstring(..., recover=True)容错解析
字段值含 HTML 实体、CDATA 或换行缩进，映射后数据错乱怎么清理
XML 中的 、、多余空格和换行，在提取文本后常导致 JSON/CSV 映射失败或字段截断。关键不是“全删”，而是按语义区分处理：
- 调用
element.text.strip()前，先用lxml.html.fromstring()解析 HTML 实体（lxml自动转义，ElementTree不会） - 对
CDATA区域，lxml默认保留原内容；若需解码，用html.unescape(cdata_text) - 多行文本中保留有意义的换行（如地址、描述），但过滤掉仅由缩进组成的空行：
re.sub(r'\n\s*\n', '\n', text) - 警惕
（零宽空格）等隐形字符，用text.replace('\u200b', '').replace('\uFEFF', '')清理
命名空间（namespace）导致 find() 和 xpath() 全部失效
XML 带命名空间（如 xmlns="http://example.com/ns"）时，tree.find('item') 必然返回 None——这不是语法错，是命名空间没声明。必须显式绑定前缀：
from lxml import etree
ns = {'ns': 'http://example.com/ns'}
root = etree.fromstring(xml_bytes)
items = root.xpath('//ns:item', namespaces=ns) # 注意前缀 ns:
# 或用 find：root.find('ns:item', namespaces=ns)
若多个命名空间混用（如 xmlns:xsi, xmlns:xs），必须全部注册到 namespaces 字典；漏一个，对应路径就查不到。用 root.nsmap 可快速查看文档实际声明了哪些前缀。
重复节点、空节点、类型混杂字段影响后续映射稳定性
比如
- 用
list(root.iterfind('.//price'))批量检测空节点，if elem.text is None or elem.text.strip() == ''则设默认值或跳过 - 对数值型字段，统一用
float(elem.text.strip()) if elem.text else 0.0转换，避免后续 SQL 插入或 Pandas 类型推断出错 - 对可能重复的节点（如多个
find()）、拼接为列表（list(findall())）、或合并为逗号分隔字符串（', '.join(t.text for t in tags if t.text)） - 用
etree.tostring(elem, encoding='unicode', method='xml')检查清洗后是否仍合法 XML，防止修复引入新格式错误
真正难的不是单点清洗，而是不同来源 XML 的结构变异——同一业务字段在 A 系统里是
