Unmarshal HTML 嵌套在 XML 中

Question

我从第三方收到一个xml文件，该文件在其中一个XML标记中具有HTML元素。我无法弄清楚如何解构它以获取href URL。XML 示例：<SOME_HTML>  <a href="http://www.google.com" target="_blank">  google</a></SOME_HTML>到目前为止，这是我所达到的，但没有向结构中添加任何内容：type Href struct {    Link string `xml:"href"`}type Link struct {    URL []Href `xml:"a"`}type XmlFile struct {    HTMLTag []Link `xml:"SOME_HTML"`}myFile := []byte(`<?xml version="1.0" encoding="utf-8"?><SOME_HTML>    <a href="http://www.google.com" target="_blank">    google</a></SOME_HTML>`)var output XmlFileerr := xml.Unmarshal(myFile, &output)fmt.Println(output) // {[]}

Answer 1

你可以这样做（https://play.golang.org/p/MJzAVLBFfms）：

type aElement struct {

    Href string `xml:"href,attr"`

}

type content struct {

    A aElement `xml:"a"`

}

func main() {

    test := `<SOME_HTML><a href="http://www.google.com" target="_blank">google</a></SOME_HTML>`

    var result content

    if err := xml.Unmarshal([]byte(test), &result); err != nil {

        log.Fatal(err)

    }

    fmt.Println(result)

}

Answer 2

解析 xml 中的所有内容，假设 html 或其他标记（如 ）中也可能有多个标记。adiv

如果不需要这样做，只需替换为类型（不是XmlFile.LinksXmlFile.LinkLink[]Link)

func main() {

    type Link struct {

        XMLName xml.Name `xml:"a"`

        URL     string   `xml:"href,attr"`

        Target  string   `xml:"target,attr"`

        Content string   `xml:",chardata"`

    }

    type Div struct {

        XMLName xml.Name `xml:"div"`

        Classes string   `xml:"class,attr"`

        Content string   `xml:",chardata"`

    }

    type XmlFile struct {

        XMLName xml.Name `xml:"SOME_HTML"`

        Links   []Link   `xml:"a"`

        Divs    []Div    `xml:"div"`

    }

    myFile := []byte(`<?xml version="1.0" encoding="utf-8"?>

<SOME_HTML>

    <a href="http://www.google.com" target="_blank">google</a>

    <a href="http://www.facebook.com" target="_blank">facebook</a>

    <div class="someclass">text</div>

</SOME_HTML>`)

    var output XmlFile

    err := xml.Unmarshal(myFile, &output)

    if err != nil {

        log.Fatal(err)

    }

    fmt.Println(output)

}

操场

编辑：在 xml 中添加了更多标签，以显示如何解析不同的标签类型。

Answer 3

您可以使用常规XML解析器解析您发布的示例，但是XML语法存在许多例外，这些异常通常被接受为有效的HTML。

我能想到的最简单的例子是：我所知道的所有html解释器都明白（未关闭的标签）与自关闭标签相同。<br><br><br />

如果您不知道服务另一端的HTML是如何生成的，则最好使用HTML解析器。

例如，有golang.go/x/net/html包，它提供了几个函数来解析HTML：

https://play.golang.org/p/3hUogiwdRPO

func findFirstHref(n *html.Node, indent string) string {

    if n.Type == html.ElementNode {

        fmt.Println("  * scanning:" + indent + n.Data)

    }

    if n.Type == html.ElementNode && n.Data == "a" {

        for _, a := range n.Attr {

            if a.Key == "href" {

                return a.Val

            }

        }

    }

    for c := n.FirstChild; c != nil; c = c.NextSibling {

        href := findFirstHref(c, indent+"  ")

        if href != "" {

            return href

        }

    }

    return ""

}

func main() {

    doc1, err := html.Parse(strings.NewReader(sample1))

    if err != nil {

        fmt.Println(err)

    } else {

        fmt.Println("href in sample1:", findFirstHref(doc1, ""))

    }

    

    doc2, err := html.Parse(strings.NewReader(sample2))

    if err != nil {

        fmt.Println(err)

    } else {

        fmt.Println("href in sample2:", findFirstHref(doc2, ""))

    }

}

const (

    sample1 = `<?xml version="1.0" encoding="utf-8"?>

<SOME_HTML>

    <a href="http://www.google.com" target="_blank">

    google</a>

</SOME_HTML>`

    // sample2 is an invalid XML document (it has unclosed "<br>" tags):

    sample2 = `

    <p> line1 <br> line2

<a href="foobar" target="_blank">

  Some <br> text

</a>

</p>

`

)