golang怎么去除html

PHPz

发布时间：2023-04-27 09:08:05

1458人浏览过

来源于php中文网

原创

go 语言实战：如何去除 html 标签？

在 Web 开发中，我们常常需要去除 HTML 标签以获取纯文本内容，例如对评论、文章等内容的分析处理。对于这个需求，Go 语言提供了多种方法，本文将为你介绍其中几种方法。

方法一：使用字符串替换

Go 语言提供了 strings 包来操作字符串。我们可以使用 strings.ReplaceAll() 方法来将 HTML 标签替换为空白字符，从而得到纯文本内容。具体实现代码如下：

package main

import (
    "fmt"
    "strings"
)

func main() {
    html := "Test PageHello, Go!
立即学习“go语言免费学习笔记（深入）”；"

    // 使用 strings.ReplaceAll() 将 HTML 标签替换为空白字符
    text := strings.ReplaceAll(html, "<", " <")
    text = strings.ReplaceAll(text, ">", "> ")
    text = strings.TrimSpace(strings.Join(strings.Fields(text), " "))

    fmt.Println(text)
}

上述代码中，我们先使用 strings.ReplaceAll() 方法将所有左尖括号（“”）替换为右尖括号 + 空格的形式，即将标签和文本之间添加一个空格的间隔，方便后续使用 strings.Fields() 方法将该字符串拆分为多个子串。接着，我们使用 strings.Fields() 方法将字符串拆分为多个子串，再使用 strings.Join() 将这些子串以空白字符连接起来，最后使用 strings.TrimSpace() 方法去除字符串两端的空白字符，得到最终的纯文本内容。

运行上述代码，输出如下：

Test Page Hello, Go!

上述代码实现简单，但是存在以下几个问题：

如果 HTML 标签中包含属性，例如 Google，我们需要在左右尖括号之间添加空白字符，否则替换后的字符串中链接文本 "Google" 与左右尖括号紧贴在一起，使结果不易阅读。
如果 HTML 标签内容过多，例如包含 JavaScript、CSS 等，替换速度会比较慢。

考虑到这些问题，我们可以使用第二种方法。

知料万语

知料万语—AI论文写作，AI论文助手

下载

方法二：使用 Goquery 库

Goquery 是 Go 语言的一个 HTML 解析和操作库，提供了方便灵活的 API。我们可以使用 Goquery 库解析 HTML，筛选文本节点，从而得到纯文本内容。具体实现代码如下：

package main

import (
    "fmt"
    "strings"

    "github.com/PuerkitoBio/goquery"
)

func main() {
    html := "Test PageHello, Go!
立即学习“go语言免费学习笔记（深入）”；"
    doc, _ := goquery.NewDocumentFromReader(strings.NewReader(html))

    // 筛选文本节点
    var text string
    doc.Find(":not(script):not(style)").Each(func(_ int, sel *goquery.Selection) {
        if sel.Children().Length() == 0 {
            text += sel.Text() + " "
        }
    })

    fmt.Println(strings.TrimSpace(text))
}

上述代码中，我们使用 goquery.NewDocumentFromReader() 方法将 HTML 转换为 goquery.Document 对象。接着，我们使用 doc.Find() 方法选择除 script 和 style 标签外的所有节点，使用 sel.Children().Length() 方法判断当前节点是否为文本节点，若是则将其内容添加至 text 变量。最后使用 strings.TrimSpace() 方法去除字符串两端的空白字符，得到最终的纯文本内容。

运行上述代码，输出如下：