本文介绍在 Go 中借助 goquery 库提取 后或 标签外的裸露文本（如“India,Kolhapur”“12th”），通过 Text() 方法结合字符串处理实现高精度内容抽取。
本文介绍在 go 中借助 goquery 库提取 `
` 后或 `` 标签外的裸露文本（如“india,kolhapur”“12th”），通过 `text()` 方法结合字符串处理实现高精度内容抽取。
在网页爬虫或数据清洗场景中，常遇到关键信息未被独立 HTML 标签包裹的情况——例如 Education
12th 中的 "12th" 仅是
后的兄弟文本节点，无法通过 .Find("br").Next() 直接获取（因 Next() 匹配的是元素节点，而非文本节点）。goquery 的 Selection.Text() 方法会递归提取当前节点及其所有后代节点的全部可见文本（不含 HTML 标签），这正是解决该问题的核心突破口。
✅ 推荐方案：利用 Text() + 字符串裁剪
观察目标 HTML 片段：
<p align="justify"><b>Name</b>Priyaka</p> <p align="justify"><b>Eduction</b><br>12th</p>
每段
内， 中的内容（如 "Name"、"Eduction"）是前缀，其后的纯文本（如 "Priyaka"、"12th"）即所需目标。因此可按以下步骤提取：
- 定位所有带 align="justify" 的
元素；
- 对每个
，先用 s.Find("b").Text() 获取加粗前缀；
- 调用 s.Text() 获取整段完整文本；
- 使用 strings.TrimPrefix() 剥离前缀，剩余部分即为所求纯文本。
完整可运行示例代码如下：
立即学习“前端免费学习笔记（深入）”；
package main
import (
"fmt"
"strings"
"github.com/PuerkitoBio/goquery"
)
func main() {
html := `
<div class="container">
<div class="row">
<div class="col-lg-8">
<p align="justify"><b>Name</b>Priyaka</p>
<p align="justify"><b>Surname</b>Patil</p>
<p align="justify"><b>Adress</b><br>India,Kolhapur</p>
<p align="justify"><b>Hobbies </b><br>Playing</p>
<p align="justify"><b>Eduction</b><br>12th</p>
<p align="justify"><b>School</b><br>New Highschool</p>
</div>
</div>
</div>`
doc, err := goquery.NewDocumentFromReader(strings.NewReader(html))
if err != nil {
panic(err)
}
var results []string
doc.Find(".container").Find("[align=\"justify\"]").Each(func(_ int, s *goquery.Selection) {
boldText := strings.TrimSpace(s.Find("b").Text()) // 如 "Name", "Eduction"
fullText := strings.TrimSpace(s.Text()) // 如 "NamePriyaka", "Eduction12th"
// 注意：若存在换行/空格干扰，可先 Normalize 空白（可选）
cleanFull := strings.Join(strings.Fields(fullText), " ")
cleanBold := strings.Join(strings.Fields(boldText), " ")
result := strings.TrimPrefix(cleanFull, cleanBold)
if result != "" {
results = append(results, strings.TrimSpace(result))
}
})
fmt.Println("Extracted text:", results)
// Output: Extracted text: [Priyaka Patil India,Kolhapur Playing 12th New Highschool]
}⚠️ 注意事项与进阶建议
- 空格与换行处理：Text() 返回的字符串可能包含多余空白或换行符，建议配合 strings.TrimSpace() 或 strings.Fields() 进行标准化；
-
前缀唯一性保障：TrimPrefix 要求前缀严格匹配开头。若
中 后存在空格（如 Name Priyaka），需在 boldText 中保留该空格，或统一规范化；
-
更鲁棒的定位方式：若结构复杂（如
后文本需单独提取），可改用 Contents() 遍历子节点，判断 Node.Type == html.TextNode 并跳过 和
节点，但代码复杂度显著上升； - 性能考量：Each() 是同步遍历，适用于中小规模 HTML；对海量页面，建议结合 goroutine 池控制并发，但需注意 goquery.Selection 非线程安全，不可跨 goroutine 复用。
掌握 Text() 的语义本质（聚合所有后代文本）并辅以精准的字符串操作，即可优雅应对绝大多数“无标签裸文本”抽取需求——无需依赖 XPath 或底层 html.Node 遍历，简洁、高效、符合 Go 的实用主义哲学。
