Question

我正在尝试使用Golang xml解析器解析html文档。我已将其设置为提取所有<li>元素，但如果元素包含链接<a>，则忽略链接的内容。我想忽略嵌套的<a>并将其内容显示为纯文本，但我不知道如何。

这是我的代码：

d := xml.NewDecoder(resp.Body)
d.Strict = false
d.AutoClose = xml.HTMLAutoClose
d.Entity = xml.HTMLEntity

type list_item struct {
    Data string `xml:",chardata"`
}

for {
    t,_ := d.Token()
    if t == nil {
        break
    }

    switch se := t.(type) {
    case xml.StartElement:
        if se.Name.Local == "li" {
            var q list_item
            d.DecodeElement(&q, &se)

            c.Infof("%+v\n", q)

        }
    }
}

有没有办法忽略嵌套元素并显示其内容？

Answer 1

使用specialized package进行解析HTML的Conster。一般来说，HTML不是XML（XHTML 1.0是，但使用它格式化的文档并不常见，并且该标准已被弃用）。

我认为更好的方法 - 鉴于您的明显用例， - 将使用XPath使用查询提取必要的信息。

至于所述的问题，我认为没有内置的方法可以做你想要的事情：xml.Decoder实现了Skip()方法，但它只允许你跳过不需要的内容;什么都没有返回“内部XML”。您可以使用xml.Decoder的{{1}}自行滚动它：通过立即呈现它返回的内容，直到它返回表示您要查找的内容和结束元素为止（您必须实现对嵌套处理的支持）元件）。

Answer 2

我找到了一个使用jQuery样式获取HTML信息的库：http://godoc.org/github.com/PuerkitoBio/goquery

我用过它并解决了这个问题。

用Go解析xml，忽略嵌套元素？

2 个答案: