lxml 本身不支持直接容错解析损坏 XML，但可通过预处理组合实现尽力解析：用 BeautifulSoup 预清理修复结构、lxml 的 recover=True 模式跳过错误、正则清洗已知问题，或用 xmltodict 回退为轻量解析。
lxml 本身不支持直接容错解析损坏或不规范的 XML（比如缺失闭合标签、未转义的 &、编码声明错误、嵌套混乱等），但可以通过预处理 + 容错解析器组合实现“尽力而为”的解析。
用 BeautifulSoup 预清理，再交给 lxml 解析
BeautifulSoup（配合 html.parser 或 lxml 的 HTML 解析器）天生擅长修复破碎标记。它能把类 XML 的脏数据转成结构相对良好的树，之后可导出为标准 XML 字符串，再由 lxml 安全加载。
- 安装依赖：
pip install beautifulsoup4 lxml - 示例：修复常见错误（如
&未转义、自闭合标签缺失斜杠、标签未闭合）
from bs4 import BeautifulSoup
from lxml import etree
<h1>损坏的 XML 片段（含非法 &、未闭合标签）</h1><p>broken_xml = '''<root><item>price: 10&20</item><desc>good<desc></root>'''</p><h1>用 BeautifulSoup 当 HTML 解析（自动修复）</h1><p>soup = BeautifulSoup(broken_xml, 'html.parser')</p><p><span>立即学习</span>“<a href="https://pan.quark.cn/s/00968c3c2c15" style="text-decoration: underline !important; color: blue; font-weight: bolder;" rel="nofollow" target="_blank">Python免费学习笔记（深入）</a>”；</p><div class="aritcle_card flexRow">
<div class="artcardd flexRow">
<a class="aritcle_card_img" href="/xiazai/skill3458" title="html-ppt-to-pdf"><img
src="https://img.php.cn/upload/skill/000/000/081/178956546773641.jpg" alt="html-ppt-to-pdf" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
<div class="aritcle_card_info flexColumn">
<a href="/xiazai/skill3458" title="html-ppt-to-pdf">html-ppt-to-pdf</a>
<p>将使用 `<section class="slide">` 约定的 HTML 幻灯片转换为高保真、矢量文本 PDF（使用 Playwright + Chromium 原生 PDF 功能）。</p>
</div>
<a href="/xiazai/skill3458" title="html-ppt-to-pdf" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a>
</div>
</div><h1>转回格式化 XML 字符串（注意：需手动补 xml 声明，若需要）</h1><p>clean_xml = str(soup).replace('<', '<').replace('>', '>') # 可选：还原原始尖括号转义</p><h1>更稳妥做法：用 soup.encode(formatter=None) 并解码为字符串</h1><h1>lxml 解析修复后的 XML</h1><p>root = etree.fromstring(clean_xml.encode('utf-8'))
print(root.xpath('//item/text()')) # ['price: 10&20']
用 lxml 的 recover=True + 自定义 error handler
lxml 的 etree.XMLParser 支持 recover=True，可在遇到严重错误时跳过非法部分、继续解析剩余内容（类似浏览器解析 HTML）。它不是万能修复，但对标签错位、小范围语法错误有效。
- 仅适用于 well-formedness 错误（如闭合缺失），不处理编码问题或实体错误
- 建议搭配自定义
ErrorHandler捕获警告，便于定位问题位置
from lxml import etree
<p>parser = etree.XMLParser(recover=True)
tree = etree.parse('broken.xml', parser) # 不抛异常，内部静默跳过错误节点
root = tree.getroot()</p><h1>查看解析是否丢失内容（对比原始行数/标签数）</h1><p>print(len(root)) # 可能比预期少，说明部分被丢弃
先用正则/字符串清洗，再解析
对已知固定模式的损坏（如重复声明、BOM 头、多余空格、& 替换），手动预处理成本低、效果稳。
- 移除 UTF-8 BOM：
text.lstrip('\ufeff') - 修复孤立
&：用正则替换r'&(?!(amp|lt|gt|quot|#\d+);)'→'&' - 补全自闭合标签（如
<br>→<br/>），仅在确定语义时使用 - 删除重复的
<?xml ... ?>声明（保留第一个）
用 xmltodict + json 回退解析（轻量替代）
若只需读取数据、不依赖 XPath 或命名空间，xmltodict 对不规范 XML 更宽容（底层用 expat，部分错误会忽略）。
- 安装：
pip install xmltodict - 它把 XML 转成 Python dict，天然忽略某些格式细节（如属性顺序、空白）
- 适合配置文件、API 返回体等结构简单场景
import xmltodict
<p>broken = '<data><user id="1">Alice</user><user>Bob</user></data>'
try:
data = xmltodict.parse(broken)
print(data['data']['user']) # [{'@id': '1', '#text': 'Alice'}, 'Bob']
except Exception as e:
print("still failed:", e)
