因为默认html.parser是容错HTML解析器，不支持XML语法，遇未声明实体或特殊字符即崩溃；必须显式指定"xml"或"lxml-xml"解析器，并预处理HTML实体或配置外部实体加载。
为什么 BeautifulSoup 默认解析 XML 会报 XMLSyntaxError？
因为默认的 html.parser 不支持 XML 语法，遇到 、© 或自定义实体（如 &myentity;）时直接崩溃；XML 必须用支持 DTD 和实体声明的解析器，比如 lxml 或 xml（即 xml.etree.ElementTree 的底层），但后者不处理未声明的通用实体。
常见错误信息：XMLSyntaxError: undefined entity 或 XMLSyntaxError: not well-formed (invalid token)，基本都指向特殊字符没被识别。
- 确保安装了
lxml：pip install lxml（xml解析器是 Python 内置，但功能受限） - 显式指定解析器为
"xml"（对应 lxml 的 XML 模式），不要用"lxml"（那是 HTML 模式，会静默转义或忽略某些实体） - 如果 XML 带有 DTD 且引用了外部实体，
lxml默认禁用外部加载——需手动启用并注意安全风险
如何让 BeautifulSoup 正确读取 、© 这类 HTML 实体？
lxml 的 XML 解析器本身不预置 HTML 实体映射（如 → \xa0），所以即使用了 "xml" 解析器，这些仍会报错。解决方式不是“修复解析器”，而是提前把 HTML 实体转成 Unicode 字符，再交给 XML 解析器。
- 用
html.unescape()预处理原始 XML 字符串：from html import unescape; clean_xml = unescape(raw_xml) - 再传给
BeautifulSoup(clean_xml, "xml")—— 此时所有\xa0，©变成©，XML 解析器只看到合法 Unicode，不再报实体错误 - 注意：此法仅适用于没有自定义 DTD 声明的场景；若 XML 显式声明了
DOCTYPE并定义了&myentity;，仍需用lxml的etree.XMLParser(resolve_entities=True)手动控制
解析含 CDATA 或注释的 XML 时，BeautifulSoup 会丢内容吗？
会。默认情况下，BeautifulSoup（包括 "xml" 解析器）对 的处理不稳定：有时保留为字符串，有时被清空，有时内容被错误解码。注释（<!-- ... -->）则通常被完全忽略。
立即学习“Python免费学习笔记（深入）”；
- 若必须保留 CDATA 原始文本，别依赖
BeautifulSoup的.text或.string属性；改用.find_all(text=True)并过滤掉Comment类型节点 - 更稳妥的做法：先用
lxml.etree.fromstring()解析，再用bs4.BeautifulSoup(etree.tostring(root, encoding=str), "xml")二次包装——这样 CDATA 会被转为普通文本节点，不会丢失 - 检查是否含 CDATA 的快捷方式：
root.xpath("//text()[contains(., '（需用 <code>lxml原生 XPath）
用 lxml 原生解析比 BeautifulSoup 更稳，什么时候该换？
当 XML 结构复杂、含命名空间、需精确控制实体解析、或性能敏感时，BeautifulSoup 就成了累赘。它本质是 HTML 工具，XML 支持只是“能跑”，不是“专精”。
- 命名空间处理：
BeautifulSoup对xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"几乎无感，而lxml支持namespaces=...参数精准定位 - 大文件流式解析：
lxml提供iterparse()，内存占用可控；BeautifulSoup必须一次性载入全部 DOM - 如果你已经在用
lxml（比如为了unescape或 CDATA 处理），那直接用etreeAPI 解析，别绕一圈进 BeautifulSoup —— 多一层封装就多一层不可控
真正棘手的从来不是“怎么解析”，而是“谁负责定义字符合法性”：XML 规范说实体必须声明，但现实数据常不守规矩。这时候，预处理（html.unescape）比硬调解析器参数更直白有效。
