怎样使用Python自动化解析XML格式的各类配置文件并转换为JSON？-Python教程-PHP中文网

xml.etree.elementtree是解析配置类xml最轻量够用的选择，适合无命名空间、结构扁平的config.xml等文件；需注意bom、编码、重复标签、文本混合、命名空间等问题，并合理转为嵌套字典和json。

怎样使用python自动化解析xml格式的各类配置文件并转换为json？

用 `xml.etree.ElementTree` 解析 XML 是最轻量且够用的选择

Python 标准库的 xml.etree.ElementTree（常简写为 ET）能处理绝大多数配置类 XML：结构扁平、无命名空间、不依赖 DTD 或 Schema。它不校验合法性，但速度快、无额外依赖，适合读取 config.xml、web.xml、AndroidManifest.xml 这类人工编写的配置文件。

别一上来就选 lxml——除非你明确需要 XPath 2.0、XSLT 或处理带命名空间的复杂 XML；否则多一个 C 依赖、多一层安装失败风险，纯属加戏。

常见错误现象：ParseError: not well-formed (invalid token)，通常是因为 XML 中混入了 UTF-8 BOM、控制字符，或用了中文全角标点（如“”代替""）。先用 file -i config.xml 确认编码，再用 open(... , encoding='utf-8-sig') 读取。

把 `Element` 递归转成嵌套字典时，注意重复标签和文本混合问题

XML 没有“数组”原语，但配置文件里常出现多个同名节点（如多个 <server></server>），直接转字典会覆盖。也不能简单把 .text 当值——比如 <port>8080</port> 的值是 "8080"，但 <desc>API <b>v2</b> endpoint</desc> 的 .text 只是 "API "，.tail 和子元素会丢失。

实操建议：

对同级同名标签，统一转为 list（哪怕只有一个也要包成 [...]），后续 JSON 序列化才不会歧义
忽略 .tail 和注释（Comment 类型），配置文件里极少靠它们存关键信息
只保留 .text 非空且无子元素的叶子节点作为字符串值；否则留空字典 {} 或跳过
属性（elem.attrib）默认挂到对应节点下 "@attributes" 键里，避免和子节点名冲突

示例片段：

Pandas 配置文件报告生成器

使用ydata-profiling（前身为pandas-profiling）生成全面的数据质量报告，包含相关性分析、缺失值模式和基数检测。导出交互式HTML仪表板和JSON摘要。

下载

def elem_to_dict(elem):
    result = {}
    if elem.attrib:
        result["@attributes"] = elem.attrib
    children = list(elem)
    if not children:
        if elem.text and elem.text.strip():
            return elem.text.strip()
        return result
    for child in children:
        child_data = elem_to_dict(child)
        if child.tag not in result:
            result[child.tag] = child_data
        else:
            # 已存在同名键 → 转为 list
            if not isinstance(result[child.tag], list):
                result[child.tag] = [result[child.tag]]
            result[child.tag].append(child_data)
    return result

用 `json.dumps(..., indent=2, ensure_ascii=False)` 输出可读 JSON

配置文件常含中文、路径、正则等非 ASCII 内容。ensure_ascii=False 是刚需，否则输出 "\u4f60\u597d" 这种没法直接看的玩意儿；indent=2 让结果可读，方便人工核对或提交进 Git。

注意点：

不要用 sort_keys=True——XML 顺序有意义（如 <bean></bean> 加载顺序），JSON 键序不保证，强行排序反而掩盖问题
如果原始 XML 有数字型内容（如 <timeout>30</timeout>），elem.text 仍是字符串；是否转 int/float 得按 schema 判断，不能全局 int()——否则 <version>2.1.0</version> 就崩了
输出前用 json.loads(json.dumps(...)) 反序列化一次，能提前暴露不可 JSON 化的对象（比如误塞了 datetime 实例）

遇到带命名空间的 XML（如 Spring Boot 的 `beans`）要主动处理 `find` 和 `iter`

像 <beans xmlns="http://www.springframework.org/schema/beans"></beans> 这种，默认 root.find("bean") 会返回 None，因为实际全名是 {http://www.springframework.org/schema/beans}bean。

解决方法只有两个：

解析时传 parser=ET.XMLParser(resolve_entities=False) 并在查找时显式带上命名空间字典：ns = {"x": "http://www.springframework.org/schema/beans"}，然后用 root.find("x:bean", ns)
更省事的是预处理：用正则去掉所有 xmlns.*?= 属性（仅限你确认不依赖命名空间语义的配置场景）

别试图用 ET.register_namespace()——它只影响输出，不影响查找逻辑。

真正容易被忽略的是：很多企业内部 XML 配置看似没声明命名空间，但用 root.tag 打印出来可能是 {http://xxx}config，说明解析器已自动识别并注入。务必先打印 root.tag 和 list(root)[:2] 看一眼真实结构，再动手写转换逻辑。