cheerio 默认以 html 模式解析文档，对自定义命名空间标签（如 `idx:orth`）和深层嵌套的 `div` 结构可能误判为无效或忽略闭合，导致 `.text()` 返回不完整内容；启用 `xml: true` 可强制严格解析，确保所有子元素（包括命名空间标签和嵌套 div）被完整保留。
在使用 Cheerio 处理含命名空间（如 idx:entry、idx:orth）或复杂嵌套结构的 HTML 片段时，你可能会遇到“部分元素丢失”的现象——例如 $('body idx\:entry').eq(0).text() 仅返回前两个子节点（idx:orth 和第一个 div）的文本，而跳过了第三个 div 中的关键内容（如释义、例句或交叉引用）。这并非 Cheerio 的 bug，而是其默认解析模式与文档实际结构不匹配所致。
Cheerio 提供两种核心解析模式：
- HTML 模式（默认）：宽容、自动修复错误标签、忽略未知命名空间、扁平化或省略“不标准”嵌套（如 div 内再嵌 div 在某些旧规范中被视为可疑），适用于常规网页抓取；
- XML 模式（xml: true）：严格、保留所有标签名（含冒号命名空间）、维持原始嵌套层级、不自动修正或丢弃节点，适用于 EPUB、Kindle 格式（含 idx:/mbp: 命名空间）、SVG 或自定义 XML 文档。
在你的 tmp.html 示例中，idx:entry 下的第三个 div 包含多层嵌套（div > div > div > span > i + div > div > a），HTML 模式可能因标签未闭合感知偏差或命名空间忽略，导致该分支未被正确挂载到 DOM 树中；而 tmp2.html 因结构相对线性（无深层 或混合 层级），恰好未触发该限制，故表现正常。
✅ 正确做法是显式启用 XML 模式：
const fs = require('fs');
const cheerio = require('cheerio');
const data = fs.readFileSync('tmp.html', 'utf8');
// 关键：传入 { xml: true } 选项
const $ = cheerio.load(data, {
xml: true, // 启用严格 XML 解析
// 注意：XML 模式下不支持 html5 语法糖（如自闭合 <br> 需写为 <br/>），但本例无需改动
});
// 现在可完整获取所有子节点文本
const entryText = $('body idx\:entry').eq(0).text().trim();
console.log(entryText);
// 输出预期结果：
// abaniquear
// abaniquear
// vt
// (Andes)
// see also: abanicar⚠️ 注意事项：
- xml: true 会禁用 HTML 特有特性（如 script/style 标签内容自动解码、
的 src 属性自动补全等），但对纯结构提取场景无影响；
- 若文档混有 HTML5 特性（如
、 ）且需兼容性，可改用 { xml: false, recognizeSelfClosing: true, decodeEntities: false } 组合调试，但命名空间支持仍受限； - 对于 Kindle/EPUB 索引文件（.html 含 idx: 标签），始终推荐 xml: true ——这是官方文档明确建议的用法；
- 若需同时处理 HTML 和 XML 内容，建议按数据源类型分别配置 cheerio.load() 实例。
总结：当 Cheerio 表现异常（元素丢失、文本截断、命名空间不可选），优先检查解析选项——xml: true 往往是解决“神秘缺失”的最简、最可靠方案。
