Html 解析利器-goquery

hausliu發表於2021-04-18

Html 解析利器-goquery

一、簡介

什麼是 goquery?

goquery 是由 Go 實現的基於 Go 的 net/html 包和 CSS 選擇器庫 cascadia 的 HTML 解析庫。

由於net/html解析器需要UTF-8編碼,goquery也同樣需要,所以需要確保提供的html是UTF-8編碼。

為什麼用 goquery?

由於 net/html 解析器返回的是節點,而不是功能齊全的 DOM 樹,所以在使用的過程中 goquery 可以提供更便利的操作。

二、快速上手

我們先對微博熱搜進行一個簡單的解析,列印當日的熱搜排名標題以及熱度。

package main

import (
    "fmt"
    "github.com/PuerkitoBio/goquery"
    "log"
    "net/http"
)

type Data struct {
    number string
    title  string
    heat   string
}

func main() {
    // 爬取微博熱搜網頁
    res, err := http.Get("https://s.weibo.com/top/summary")
    if err != nil {
        log.Fatal(err)
    }
    defer res.Body.Close()
    if res.StatusCode != 200 {
        log.Fatalf("status code error: %d %s", res.StatusCode, res.Status)
    }
    //將html生成goquery的Document
    dom, err := goquery.NewDocumentFromReader(res.Body)
    if err != nil {
        log.Fatalln(err)
    }
    var data []Data
    // 篩選class為td-01的元素
    dom.Find(".td-01").Each(func(i int, selection *goquery.Selection) {
        data = append(data, Data{number: selection.Text()})
    })
    // 篩選class為td-02的元素下的a元素
    dom.Find(".td-02>a").Each(func(i int, selection *goquery.Selection) {
        data[i].title = selection.Text()
    })
    // 篩選class為td-02的元素下的span元素
    dom.Find(".td-02>span").Each(func(i int, selection *goquery.Selection) {
        data[i].heat = selection.Text()
    })
    fmt.Println(data)
}


列印結果為:

[{ 網路安全有你有我 3026574} {1 任豪道歉 1635306} {2 劉鑫方稱對江歌遇害不擔責 1398449} {3 小米摺疊屏開售 977369} {4 姜素拉產女 952863} {5 17元吃海底撈 718468} {6 那英 我只配給沈騰楊洋伴唱 634544} {7 日本船東要求埃及打一折 575670} {8 癌症早期幾乎無症狀 547113} {9 央行稱要重視理工科教育 540756} {10 李寧回應天價鞋 540379} {11 任豪 外網 537050} {12 謝楠汪聰主持山河令演唱會 531075} {13 偶遇張小斐為李煥英掃墓 506813} {14 FBI
每10小時啟動一項對中國的新調查 503616} {15 義大利海域遭水母入侵 495294} {16 山河令演唱會票價 486933} {17 劉以豪被娜扎親出口紅印 484077} {18 吳前 473968} {19 科學家成功捕獲黑洞多波段指紋 468128} {20 宋佳袁詠儀發海報裁掉對方 462762} {21 鄭州一中學通報女學生墜樓事件 453126} {22 72年前她身穿旗袍運送絕密情報 451299} {23 張雨綺李柄熹 娛樂圈姐弟戀甜寵文 414856} {24 多肉楊梅奶茶 397879} {25 創4總決賽繪畫撐腰大賽 380987} {26 中
學小賣部承包3年拍出320萬 347615} {27 北京沙塵暴 325600} {28 羅永浩再回應被強制執行 313570} {29 在營P2P網貸機構全部停業 311420} {30 多名教師毆打幼兒被園方辭退 294579} {31 我國連續4年多未發生暴恐案事件 285303} {32 蜘蛛俠3中文片名 282589} {33 娜扎護士裝造型 278113} {34 王霜說在巴黎不被尊重 267191} {35 王佑碩鼻子 250443} {36 吳磊一鏡到底哭戲 249606} {37 秦嶺大熊貓上樹折櫻桃花 249071} {38 警方通報瀋陽1死2傷持刀傷人案 248500
} {39 2020年中國群眾安全感指數98.4% 246917} {40 你見過哪些海王操作 246148} {41 商務部回應日本處置福島核廢水 244992} {42 一組資料看平安中國 244345} {43 趙文瑄 243697} {44 內蒙古沙塵暴風沙夾雜雨雪 242044} {45 油價或迎年內首次擱淺 241157} {46 庫裡的進攻能力在NBA排第幾 239944} {47 在家長群搶30個紅包被拘 239808} {48 明白做老師不易的瞬間 207204} {49 張哲瀚OK週年刊封面 206645} {50 輕混血濃顏泰妝 }]

三、過濾器示例

基於 HTML Element 元素的選擇器

使用 Element 名稱作為選擇器,如 dom.Find("div")。

dom.Find("div").Each(func (i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})

ID 選擇器

以 # 加 id 值作為選擇器

dom.Find("#id").Each(func (i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})

Class 選擇器

以.加 class 值為選擇器

dom.Find(".class").Each(func (i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})

由上面的示例可以看出,goquery 的選擇器與 jQuery 的選擇器用法無異,在這裡就不繼續贅述了,同學們可以自行探索。

四、常用節點屬性值

Html() 獲取該節點的 html

dom.Find("table").Each(func (i int, selection *goquery.Selection) {
fmt.Println(selection.Html())
})

Text() 獲取該節點的文字值

dom.Find(".td-02>a").Each(func (i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})

Attr() 返回節點的屬性值以及該屬性是否存在的布林值

dom.Find("#execution").Each(func (i int, selection *goquery.Selection) {
value[i], ok = selection.Attr("value")
})

Length() 返回該 Selection 的元素個數

dom.Find("td").Length()

閒言

這個庫用起來非常容易上手,尤其是對 jQuery 熟悉的同學,極大地提升了開發效率。

之前都是用 Python 寫爬蟲,使用 BeautifulSoup 進行解析,十分方便。第一次用 go 的 net/html 嘗試解析的時候,花了很多不必要的時間,直到後來發現了 goquery,才找回了用 BeautifulSoup 的感覺。

友情提示:爬蟲有風險,請務必遵守法律法規。

參考文件:

歡迎加入我們 GOLANG 中國社群:https://gocn.vip/

更多原創文章乾貨分享,請關注公眾號
  • Html 解析利器-goquery
  • 加微信實戰群請加微信(註明:實戰群):gocnio

相關文章