我有以下内容，我试图仅捕获文本匹配的第二种情况But I want this one here。目前，它涵盖了这两种情况。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>`这输出：<a href="blah">link text</a><a href="blah blah">more link text</a>我想匹配<a>标签之前的特定文本，如果匹配，则返回<a>节点。例如，传入But I want this one here并返回<a href="blah blah">more link text</a>. 有人告诉我不要用正则表达式解析 html，但现在我被卡住了。
1 回答
子衿沉夜
TA贡献1828条经验 获得超3个赞
您实际上非常接近，因为您已经在使用正确的解析器（html.Parsefrom golang.org/x/net/html）。
这里的诀窍是页面的各种元素很方便地绑定在一起，所以crawler如果你愿意，你可以使用你现有的代码和以后的过滤功能。（您可以改为将过滤直接组合到爬虫中。）
每个n *html.ElementNode前面都有一些东西，除非它是块中的初始元素（文档的第一个元素或第一个子节点），并且某个东西在n.PrevSibling. 如果它的类型是html.TextNode你有一个形式的序列：
some text<a ...>thing</a>
您可以检查上一个节点中的“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)
}
这并不完美，因为您可以拥有，例如：
text <font></font> broken <font></font>up<a href="lastlink">last link</a>
并且代码将尝试匹配 string up，当您可能应该将文本放在一起text broken up并将其传递给匹配器时。在此处查看更完整的示例。
- 1 回答
- 0 关注
- 142 浏览
添加回答
举报
0/150
提交
取消