Golang如何解析Html代码

@H_502_0@Golang如何解析HTML代码

用Golang的朋友都知道如果我们要从HTML中提取一些内容、比如title或者是h2在或者是一些其他的HTML的内容、在Golang里面我们如果要自己写代码来提取还是相当的麻烦的；

由于我之前在写Pyhon的爬虫的时候也需要解析HTML标签；所以用过PyQuery和BS4.这次在用Golang写爬虫的时候就留意了一下是否有Golang版本的Query。github是个好地方；上面很找到很多开源的代码可以用；包括GoQuery。

所以这次会介绍一下如何用GoQuery来解析HTML元素。

导入Goquery模块

package main

import (
    "fmt"
    "github.com/opesun/goquery"
)

其实还有一个github.com/PuerkitoBio/goquery的goquery模块、但是配置环境经常出差就没有选择

Goquery的各种用法

goquery有Jquery的大部分特性；如果你熟悉Jquery的话用Goquery就很简单了

解析HTML的title

var url = "http://www.hiadmin.org/"
p,err := goquery.ParseUrl(url)
if err != nil {
    panic(err)
} else {
    pTitle := p.Find("title").Text()//直接提取title的内容
    fmt.Println(pTitle)

}

命令行下运行go run page.go之后得到输出

“Smart Testing | 专注于软件测试领域的技术讨论和研究、关注IT互联网、wordpress技巧的个人博客”

解析HTML内容

如果要得到HTML的内容就更简单了
fmt.Println(p.Html())//.Html()得到html内容

获取h2/h1之类的标签 内容

class := p.Find("h2").Text()
fmt.Println(class,"\n")

我们可以使用Find()来查找需呀哦的标签；并且用.Text()来显示标签的内容

解析提取class的内容

如果要解析class的内容；需要在Find(".")加一个.

下面我们要提取class”entry-title”里面、后面的”href”的URL地址

由于超过1条内容所以不能用Text()来打印结果；需要用for来循环一下；

t := p.Find(".entry-title a")
for i := 0; i < t.Length(); i++ {
    d := t.Eq(i).Attr("href")
    fmt.Println(d)
}

输出结果如下

http://www.hiadmin.org/code/ebookdownloadtools

http://www.hiadmin.org/code/ipconversiontools


http://www.hiadmin.org/code/go-mac-address


http://www.hiadmin.org/linux/centos7-tomcat-start

其实就是首页里面的4篇文章的地址

如果想得到html里面所有的herf

fmt.Println(p.Find("").Attrs("href"))

用上面一行代码就可以得到HTML里面全部的href内容了

判断元素是否存在

如果想要判断一个元素是否在HTML里面；可以使用下面的代码

fmt.Println(p.Find("div").HasClass("entry-content"))

判断div下面有没有“entry-content”的class元素；有返还true；没有返回false

PS:暂时就上面这些常用的了、详细内容可以去github上查看