如何匹配 `<a>` 标记之前的文本然后返回 `<a>` 节点？
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 main
import (
"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。
森林海1回答
-
子衿沉夜
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。
随时随地看视频慕课网APP
相关分类
Go