在 Golang 中从 HTML 中提取文本内容答案

【问题标题】：Extract text content from HTML in Golang在 Golang 中从 HTML 中提取文本内容
【发布时间】：2014-01-26 19:50:21
【问题描述】：

从 Golang 中的字符串中提取内部子字符串的最佳方法是什么？

输入：

"Hello <p> this is paragraph </p> this is junk <p> this is paragraph 2 </p> this is junk 2"

输出：

"this is paragraph \n
 this is paragraph 2"

是否有任何 Go 的字符串包/库已经做了类似的事情？

package main

import (
    "fmt"
    "strings"
)

func main() {
    longString := "Hello world <p> this is paragraph </p> this is junk <p> this is paragraph 2 </p> this is junk 2"

    newString := getInnerStrings("<p>", "</p>", longString)

    fmt.Println(newString)
   //output: this is paragraph \n
    //        this is paragraph 2

}
func getInnerStrings(start, end, str string) string {
    //Brain Freeze
        //Regex?
        //Bytes Loop?
}

谢谢

【问题讨论】：

Here。阅读关于子匹配的部分；它应该对你有帮助。
是的，我看到了，但我不确定或不确定这是否是正确的方法。已添加书签以供将来参考。

标签： regex string go byte substring

【解决方案1】：

Don't use regular expressions 尝试解释 HTML。使用fully capable HTML tokenizer and parser。

我建议你阅读 CodingHorror 上的 this article。

【讨论】：

好的，godoc.org/code.google.com/p/go.net/html#example-Parse 解决了我的问题。谢谢！

【解决方案2】：

这是我经常使用的函数。

func GetInnerSubstring(str string, prefix string, suffix string) string {
    var beginIndex, endIndex int
    beginIndex = strings.Index(str, prefix)
    if beginIndex == -1 {
        beginIndex = 0
        endIndex = 0
    } else if len(prefix) == 0 {
        beginIndex = 0
        endIndex = strings.Index(str, suffix)
        if endIndex == -1 || len(suffix) == 0 {
            endIndex = len(str)
        }
    } else {
        beginIndex += len(prefix)
        endIndex = strings.Index(str[beginIndex:], suffix)
        if endIndex == -1 {
            if strings.Index(str, suffix) < beginIndex {
                endIndex = beginIndex
            } else {
                endIndex = len(str)
            }
        } else {
            if len(suffix) == 0 {
                endIndex = len(str)
            } else {
                endIndex += beginIndex
            }
        }
    }

    return str[beginIndex:endIndex]
}

你可以在操场上试试，https://play.golang.org/p/Xo0SJu0Vq4。

【讨论】：

【解决方案3】：

StrExtract 检索两个分隔符之间的字符串。

StrExtract(sExper, cAdelim, cCdelim, nOccur)

sExper：指定要搜索的表达式。 sAdelim：指定分隔 sExper 开头的字符。

sCdelim：指定分隔 sExper 结尾的字符。

nOccur：指定在 sExper 中的哪个 cAdelim 出现处开始提取。

Go Play

package main

import (
    "fmt"
    "strings"
)

func main() {
    s := "a11ba22ba333ba4444ba55555ba666666b"
    fmt.Println("StrExtract1: ", StrExtract(s, "a", "b", 5))
}

func StrExtract(sExper, sAdelim, sCdelim string, nOccur int) string {

    aExper := strings.Split(sExper, sAdelim)

    if len(aExper) <= nOccur {
        return ""
    }

    sMember := aExper[nOccur]
    aExper = strings.Split(sMember, sCdelim)

    if len(aExper) == 1 {
        return ""
    }

    return aExper[0]
}

【讨论】：