如何在 Go 中解析 XML 时保留 HTML 标签内容

碧海醫心 2025-12-27 00:00:00 次阅读

在 go 中使用 `encoding/xml` 解析含嵌套 html 标签的 xml 字段时，默认会忽略标签、仅提取纯文本；需使用 `xml:",innerxml"` 标签显式捕获原始 xml/html 片段。

Go 的标准库 encoding/xml 在解析结构体字段时，默认行为是跳过子元素标签，只提取其字符数据（text content）。因此，当 XML 中内部包含 This has styleThen some not-style 时，普通 xml:"text" 字段只会得到 "This has styleThen some not-style" —— 不仅丢失 HTML 标签，连格式空格也可能被归一化。

要完整保留原始 HTML 片段（包括标签、属性、嵌套结构和空白），必须使用特殊的 struct tag：xml:",innerxml"。它告诉解码器将该字段对应 XML 元素的全部内部 XML 字节流（不含起始/结束标签本身） 直接赋值为字符串。

以下是修正后的完整示例：

package main

import (
    "encoding/xml"
    "fmt"
)

type ResultSlice struct {
    MyText []Result `xml:"results>result"`
}

type Result struct {
    Text struct {
        HTML string `xml:",innerxml"` // ✅ 关键：捕获  内所有原始内容
    } `xml:"text"`
}

func main() {
    s := `
                         
              This has styleThen some not-style
              No style here
              Again, no style
            
          `

    r := &ResultSlice{}
    if err := xml.Unmarshal([]byte(s), r); err != nil {
        fmt.Fatalf("XML unmarshal error: %v", err)
    }

    for i, res := range r.MyText {
        fmt.Printf("Result %d: %q\n", i+1, res.Text.HTML)
    }
}

输出结果为：

Result 1: "This has styleThen some not-style"
Result 2: "No style here"
Result 3: "Again, no style"

⚠️ 注意事项：

xml:",innerxml" 必须作用于匿名或具名嵌套结构体字段（如本例中的 Text struct{...}），不能直接放在顶层 string 字段上（否则解析会失败或行为未定义）；
它返回的是原始字节序列的字符串表示，不进行 HTML 转义/解码——若源 XML 中有 zuojiankuohaophpcn 等实体，它们将原样保留，需额外调用 html.UnescapeString 处理；
若需进一步解析 HTML 内容（如提取 文本），应结合 golang.org/x/net/html 包，而非依赖 encoding/xml；
该方案适用于 HTML 片段混入 XML 的场景（如富文本 RSS 描述、CMS 导出数据），但不适用于严格 XHTML（需确保嵌套结构良好，否则 Unmarshal 可能报错）。

总结：xml:",innerxml" 是 Go 解析混合 HTML/XML 数据的必备技巧——它放弃语义解析，转而提供字节级控制权，是兼顾简洁性与准确性的标准实践。