我有以下內容，我試圖僅捕獲文本匹配的第二種情況But I want this one here。目前，它涵蓋了這兩種情況。package mainimport ( "bytes" "fmt" "io" "strings" "golang.org/x/net/html")func getTag(doc *html.Node, tag string) []*html.Node { var nodes []*html.Node var crawler func(*html.Node) crawler = func(node *html.Node) { if node.Type == html.ElementNode && node.Data == tag { nodes = append(nodes, node) return } for child := node.FirstChild; child != nil; child = child.NextSibling { crawler(child) } } crawler(doc) return nodes}func main() { doc, _ := html.Parse(strings.NewReader(testHTML)) nodes := getTag(doc, "a") var buf bytes.Buffer w := io.Writer(&buf) for i, node := range nodes { html.Render(w, node) if i < (len(nodes) - 1) { w.Write([]byte("\n")) } } fmt.Println(buf.String())}var testHTML = `<html><body>I do not want this link here <a href="blah">link text</a>But I want this one here <a href="blah blah">more link text</a></body></html>`這輸出：<a href="blah">link text</a><a href="blah blah">more link text</a>我想匹配<a>標簽之前的特定文本，如果匹配，則返回<a>節點。例如，傳入But I want this one here并返回<a href="blah blah">more link text</a>. 有人告訴我不要用正則表達式解析 html，但現在我被卡住了。
1 回答
子衿沉夜
TA貢獻1828條經驗 獲得超3個贊
您實際上非常接近，因為您已經在使用正確的解析器（html.Parsefrom golang.org/x/net/html）。
這里的訣竅是頁面的各種元素很方便地綁定在一起，所以crawler如果你愿意，你可以使用你現有的代碼和以后的過濾功能。（您可以改為將過濾直接組合到爬蟲中。）
每個n *html.ElementNode前面都有一些東西，除非它是塊中的初始元素（文檔的第一個元素或第一個子節點），并且某個東西在n.PrevSibling. 如果它的類型是html.TextNode你有一個形式的序列：
some text<a ...>thing</a>
您可以檢查上一個節點中的“一些文本”：
func wanted(re *regexp.Regexp, n *html.Node) bool {
if n.PrevSibling == nil || n.PrevSibling.Type != html.TextNode {
return false
}
return re.MatchString(n.PrevSibling.Data)
}
這并不完美，因為您可以擁有，例如：
text <font></font> broken <font></font>up<a href="lastlink">last link</a>
并且代碼將嘗試匹配 string up，當您可能應該將文本放在一起text broken up并將其傳遞給匹配器時。在此處查看更完整的示例。
- 1 回答
- 0 關注
- 132 瀏覽
添加回答
舉報
0/150
提交
取消