html之如何使用encoding/xml忽略Go中的html属性

lvdongjie 阅读：118 2025-06-02 22:19:02 评论：0

我正在尝试从任何网站的html抓取正文，并且如果html标签只是<html>，则它可以工作，但是如果它包含任何属性(例如:<html lang="en">)，那么它不会发现有html标签的事实。

我有什么办法可以解决这个问题，并使其忽略任何属性，并看到那里仍然有一个标签？

注意:我之所以使用单独的结构是为了以后可扩展性，因为我对此进行了改进并进一步了解了Go和这些库的工作方式

这是结构:

type html struct { 
    Body body `xml:"body"` 
} 
 
type body struct { 
    Content string `xml:",innerxml"` 
}

这是打印所有内容的方法

//ShowBody prints the body to console 
func ShowBody(url string) { 
    html := html{} 
 
    xml.Unmarshal(GetHTTP(url), &html) 
    fmt.Println(html.Body.Content) 
}

GetHTTP函数使用ioutil并从http调用读取页面。如果需要，其余代码在这里:
https://pastebin.com/rbxDLH2e

预期:将整个正文打印到控制台中

实际的 :不打印任何内容，因为由于lang属性而看不到 <html>

请您参考如下方法:

如果要从HTML文件中提取数据，则可以使用htmlquery来解析和提取数据，如下所示:

doc,err:=htmlquery.LoadURL('http://www.example.com') 
body:=htmlquery.FindOne(doc,"//body") 
fmt.Println(htmlquery.OutputHTML(body,true))

好消息是它不需要任何 Marshal和 Unmarshal，它非常灵活。

标签:XML

声明

1.本站遵循行业规范，任何转载的稿件都会明确标注作者和来源；2.本站的原创文章，请转载时务必注明文章作者和来源，不尊重原创的行为我们将追究责任；3.作者投稿可能会经我们编辑修改或补充。