如何在Go中解组包含脏HTML的XML

我有一些XML我想解组，但它包含脏HTML在一个领域，我甚至不关心。我在这里发布了一个示例：

有没有办法让解码器跳过或忽略这些错误？我尝试制作文档中描述的非严格解码器，但无法获得任何

AutoClose

或

Entity

值的组合来实现此功能。我应该提到，这个XML来自我无法控制的第三方，而且内容总是可变的，我不确定编译要跳过的静态元素列表是否可行。使用

xml:“-”

标记将

Description

添加到结构中没有任何区别

我能够用Python2.7解析它，所以我希望它在Go中是可能的——尽管我更喜欢在我的用例中使用Go:）——为此我使用Google的AppEngine，所以解决方案必须是本机Go，而不是依赖外部C库

相关代码：

var XMLData = []byte(`<?xml version="1.0" encoding="UTF-8"?>
<soapenv:Envelope xmlns:soapenv="http://schemas.xmlsoap.org/soap/envelope/" xmlns:xsd="http://www.w3.org/2001/XMLSchema" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
 <soapenv:Body>
  <Container>
   <Timestamp>2014-01-15T21:07:07.217Z</Timestamp>
   <Item>
    <Description>
<table  width="100%" border=0 ><tr><td><table width="100%"><tr><td><!-- Begin Description -->
<TABLE cellSpacing=27 cellPadding=0 width="100%"><TBODY><TR><TD vAlign=top><P align=center>
<TABLE cellPadding=15 width="86%" border=1><TBODY><TR><TD><H3><P>
<H2><H2><H2><H2><H2><H2><H2><H2><H2><H2><H2><H2><H><H2><H2>


<IMG SRC=http://www.REMOVED.com/simage/j6x516.jpg>
<BR><BR>
<IMG SRC=http://www.REMOVED.com/simage/j6x517.jpg>

    </Description>
   </Item>
  <Container>
 </soapenv:Body>
</soapenv:Envelope>`)

type Data struct {
    Timestamp string `xml:"Body>Container>Timestamp"`
}

var o Data
decoder := xml.NewDecoder(bytes.NewBuffer(XMLData))
decoder.Strict = false
decoder.AutoClose = xml.HTMLAutoClose
decoder.Entity = xml.HTMLEntity
if err := decoder.Decode(&o); err != nil {
    fmt.Println("Error: ", err)
} else {
    fmt.Println("Timestamp: ", o.Timestamp)
}

var XMLData=[]字节(`
2014-01-15T21:07:07.217Z





`)
类型数据结构{
时间戳字符串`xml:“正文>容器>时间戳”`
}
var o数据
解码器：=xml.NewDecoder（bytes.NewBuffer（XMLData））
decoder.Strict=false
decoder.AutoClose=xml.HTMLAutoClose
decoder.Entity=xml.HTMLEntity
if err:=解码器。解码（&o）；呃！=零{
fmt.Println（“错误：”，错误）
}否则{
fmt.Println（“时间戳：”，o.Timestamp）
}

结果:

错误：第14行的XML语法错误：元素中应为/>

---

谢谢。

作为

xml

包的替代方案，如果您已经安装，您可以使用它在Go中利用其解析灵活性

例如，使用XPath进行评估：

package main

import (
    "fmt"
    "github.com/moovweb/gokogiri"
    "github.com/moovweb/gokogiri/xml"
    "github.com/moovweb/gokogiri/xpath"
)

func main() {
    var XMLData = []byte(`<?xml version="1.0" encoding="UTF-8"?>
<soapenv:Envelope xmlns:soapenv="http://schemas.xmlsoap.org/soap/envelope/" xmlns:xsd="http://www.w3.org/2001/XMLSchema" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
<soapenv:Body>
<Container>
<Timestamp>2014-01-15T21:07:07.217Z</Timestamp>
<Item>
    <Description>
<table  width="100%" border=0 ><tr><td><table width="100%"><tr><td><!-- Begin Description -->
<TABLE cellSpacing=27 cellPadding=0 width="100%"><TBODY><TR><TD vAlign=top><P align=center>
<TABLE cellPadding=15 width="86%" border=1><TBODY><TR><TD><H3><P>
<H2><H2><H2><H2><H2><H2><H2><H2><H2><H2><H2><H2><H><H2><H2>


<IMG SRC=http://www.REMOVED.com/simage/j6x516.jpg>
<BR><BR>
<IMG SRC=http://www.REMOVED.com/simage/j6x517.jpg>

    </Description>
</Item>
<Container>
</soapenv:Body>
</soapenv:Envelope>`)

    doc, err := gokogiri.ParseXml(XMLData)

    if err != nil {
        fmt.Printf("XML document could not be parsed")
        return
    }

    nxpath := xpath.NewXPath(doc.DocPtr())
    nodes, err := nxpath.Evaluate(doc.DocPtr(), xpath.Compile("//Timestamp"))

    if err != nil {
        fmt.Printf("XPath could not be evaluated")
        return
    }

    if len(nodes) == 0 {
        fmt.Printf("Elements matching XPath not found")
        return

    }
    timestamp := xml.NewNode(nodes[0], doc).InnerHtml()

    fmt.Printf("%s", timestamp) // "2014-01-15T21:07:07.217Z"
}

主程序包
进口(
“fmt”
“github.com/moovweb/gokogiri”
“github.com/moovweb/gokogiri/xml”
“github.com/moovweb/gokogiri/xpath”
)
func main（）{
var XMLData=[]字节(`
2014-01-15T21:07:07.217Z





`)
doc，err:=gokogiri.ParseXml（XMLData）
如果错误！=零{
Printf（“无法解析XML文档”）
返回
}
nxpath:=xpath.NewXPath（doc.DocPtr（））
节点，err:=nxpath.Evaluate（doc.DocPtr（），xpath.Compile（“//时间戳”））
如果错误！=零{
Printf（“无法计算XPath”）
返回
}
如果len（节点）==0{
Printf（“未找到匹配XPath的元素”）
返回
}
时间戳：=xml.NewNode（节点[0]，doc）.InnerHtml（）
fmt.Printf（“%s”，时间戳）/“2014-01-15T21:07:07.217Z”
}

这适用于OS X 10.9.1上的Go v1.2。Gokogiri软件包还包括一个CSS选择器转换器，但我从未使用过它，也不能对此进行担保。

您的解码器代码很好（您可以实际删除

decoder.AutoClose=xml.HTMLAutoClose

行）。问题是

img

标记在

src

属性周围没有引号。请参阅。

考虑使用软件包-对我来说，它解析了您的样本数据

在我看来，这个包的问题在于它向您返回了一个“节点”（每个HTML元素一个）的层次结构，您应该遍历这些节点。我的意思是，至少在第一眼看到的时候，没有对结构进行解包。因此，您可能会更幸运地使用或之类的东西，它应该允许您使用（）.so（）.called（）.fluent（）.style（）查询已解析的DOM

这是另一种可能的选择

---

换句话说，我的关键思想是将处理的整个SOAP回复视为HTML，不是XML，因为这才是真正的XML，希望HTML解析器能够处理它，这要感谢HTML更宽松的格式规则和更宽松的解析器。

您看过使用

XML.Decoder.decodelement

方法吗？RawToken和Skip看起来可能会派上用场。谢谢，但我在AppEngine上托管了它，我认为我无法使用libxml2，尽管这似乎在更一般的用例中解决了这个问题。很抱歉，在我的问题中没有指定平台，我现在将更新它。嗯，那么对此可以做些什么？我无法控制XML，因此无法在其源代码处“修复”草率的HTML。是否有其他XML解码器能够完成解析的原因，但Go's不能？我想其他解析器的要求不那么严格。可能的解决方案：regex搜索和替换来修复img src。或者用cdata标记包围描述标记。