如何在 Go XML 解析中保留 HTML 标签内容

聖光之護 2025-12-27 00:00:00 次阅读

go 的 `encoding/xml` 包默认会将 xml 元素的子节点（如 html 标签）解析为纯文本并忽略嵌套结构，若需原样保留 html 片段（如 `` 标签），应使用 `xml:",innerxml"` 标签而非普通字段映射。

在 Go 中解析包含内嵌 HTML 的 XML 时，常见的误区是直接将 HTML 内容映射为 string 类型字段（如 MyResult stringxml:"text`），这会导致xml.Unmarshal自动展开并丢弃所有子元素标签，仅提取纯文本内容（即“扁平化”处理）。例如HelloWorld会被解析为"HelloWorld"，而` 标签本身完全丢失。

正确做法是利用 encoding/xml 提供的特殊结构标签 ",innerxml"，它能将目标 XML 元素的原始内部 XML 字节流（包括所有标签、属性和文本）完整捕获为字符串。关键在于：必须将该字段嵌套在匿名或具名结构体中，并通过结构体字段进行映射。

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"` // ✅ 捕获  内全部原始 XML 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.Printf("Parse error: %v\n", err)
        return
    }

    for i, res := range r.MyText {
        fmt.Printf("Result %d: %q\n", i+1, res.Text.HTML)
        // 输出示例：
        // Result 1: "This has styleThen some not-style"
        // Result 2: "No style here"
        // Result 3: "Again, no style"
    }
}

⚠️ 注意事项：

xml:",innerxml" 不能直接用于顶层字段（如 HTML stringxml:"text,innerxml"`），必须包裹在结构体内，否则解析行为未定义或失败；
返回的字符串是未经转义的原始内容（如 & 仍为 &，不会自动解码），如需 HTML 渲染，建议配合 html.UnescapeString 或模板安全输出；
若需进一步解析嵌套 HTML（如提取 文本），应使用专用 HTML 解析器（如 golang.org/x/net/html），而非继续依赖 encoding/xml；
此方法适用于 HTML 片段混入 XML 的场景（如 RSS 描述、富文本 API 响应），但不适用于严格 XHTML（需确保嵌套结构合法，否则解析可能出错）。

总结：",innerxml" 是 Go XML 解析器中保留原始子节点序列的唯一可靠方式，合理封装结构体字段即可精准捕获含标签的 HTML 内容，避免信息丢失。