go 标准库 `encoding/xml` 默认严格校验 xml 结构,但通过合理配置 `xml.decoder` 的 `autoclose`、`strict` 和 `entity` 字段,可实现对缺失闭合标签等常见畸形 xml 文件的鲁棒解析。
在实际数据处理中,我们常遇到大量“伪 XML”文件:它们结构近似 XML(如使用尖括号标签、嵌套层级清晰),但因生成工具缺陷或历史原因,存在标签未闭合(如 Henry 缺少 )、属性缺失或换行混乱等问题。Go 的 encoding/xml 包虽提供一定容错能力,但默认行为仍偏保守——即使设置 dec.Strict = false,也无法自动补全任意缺失的结束标签。
关键在于正确启用并显式声明需自动闭合的标签名。xml.Decoder 的 AutoClose 字段是一个字符串切片,用于指定哪些标签在未显式闭合时应被自动补全。它并非全自动推断机制,而是基于预设白名单的确定性修复策略。例如,针对如下畸形 XML:
Henry Donald 4224
仅设置 dec.Strict = false 不足以解决问题,因为 AutoClose 默认为空;必须手动将 first-name、last-name、id 等自闭合(即无结束标签)的元素加入白名单:
dec := xml.NewDecoder(bytes.NewReader([]byte(sub))) dec.Strict = false dec.Entity = xml.HTMLEntity // 支持 & 等 HTML 实体 // 显式声明需自动闭合的标签(注意:标签名须与 XML 中完全一致,区分大小写) dec.AutoClose = append(dec.AutoClose, "first-name", "last-name", "id")
⚠️ 注意事项: