优先用root.iter('tag_name')遍历XML所有后代节点，避免嵌套findall；JSON用isinstance分类型处理，防TypeError；统一提取为dict后转DataFrame导出CSV，清洗时标准化字段名并校验关键字段。
XML里嵌套太深，用xml.etree.ElementTree一层层找太累怎么办
直接用iter()遍历所有后代节点，比手动findall()嵌套调用省事得多。尤其当结构不固定（比如<item></item>下有时有<meta>，有时没有），硬写路径容易报AttributeError。
实操建议：
- 优先用
root.iter('tag_name')抓同级所有目标标签，不依赖父路径 - 取文本时统一用
elem.text.strip() if elem is not None and elem.text else ''，避免None或空白引发异常 - 如果要提取属性+文本混合字段（如
<price currency="USD">29.99</price>），用elem.attrib.get('currency', 'UNKNOWN')配合elem.text
JSON里有列表、字典、None混着来，递归解析容易栈溢出或漏字段
别一上来就写深度递归函数。先用json.loads()载入后，用isinstance()分类型处理，对列表用for展开，对字典用.items()遍历，遇到None直接跳过——这样逻辑清晰，也方便加日志定位哪一层崩了。
常见错误现象：把整个data['response']['items'][0]['tags']当成字符串切片，结果TypeError: string indices must be integers。
立即学习“Python免费学习笔记（深入）”；
实操建议：
- 用
dict.get('key', default)代替方括号取值，防KeyError - 对可能为
list的字段，先if isinstance(val, list):再处理，别假设它一定存在或一定是列表 - 扁平化时字段名加前缀（如
user_name、user_email），避免不同层级同名键冲突
XML和JSON混着来，怎么统一输出成CSV/Excel的行数据
核心是别让格式差异干扰数据建模。先定义好目标字段名列表（如['id', 'title', 'price', 'category']），再为每种源写一个提取函数，都返回dict，键必须严格匹配字段名。这样后续导出时，不管输入是XML还是JSON，csv.DictWriter或pandas.DataFrame都能直接接住。
性能影响：如果单次处理上万条，别在循环里反复调用open()或pd.DataFrame.append()，攒够一批再写一次磁盘。
实操建议：
- 用
collections.defaultdict(list)暂存所有记录，最后一次性转pd.DataFrame，比逐行df.loc[len(df)] = row快10倍以上 - 导出CSV前用
df.replace({np.nan: '', pd.NaT: ''})清空空值，否则Excel打开可能乱码 - 字段名含空格或斜杠时，用
df.columns = [c.replace(' ', '_').replace('/', '_') for c in df.columns]标准化
清洗后数据缺字段、重复、类型错，怎么快速定位问题源头
别靠肉眼查原始文件。在提取函数里加轻量级校验：比如要求id必须是数字字符串，就加if not re.match(r'^\d+$', row.get('id', '')):然后print(f"Bad id at line {i}: {row}")。日志比断点更准，尤其处理批量文件时。
容易被忽略的地方：XML里<date>2024-01-01</date>和JSON里"date": "2024-01-01"看着一样，但前者可能被etree读成带换行的字符串（'\n2024-01-01\n'），后者是干净字符串——这个差异会导致去重失败或时间解析报错。
实操建议：
- 清洗脚本开头加
import warnings; warnings.filterwarnings('error')，让隐式类型转换（如str + int）立刻抛异常 - 对关键字段（如ID、时间戳）做
set()去重计数，若len(set(ids)) ，说明有重复原始记录 - 保存中间结果为
cleaned.json（格式化缩进2），比二进制CSV更容易人工抽检
