Golang通过pup实现HTML解析

01 December 2014

在GitHub上面找了一个能解析HTML的包。

上一周给我的网站加了一个搜索功能，能自动抓取我的博客和别人的CSDN博客。通过RSS抓取。这样数据格式规范，容易解析。问题是信息较少。后来发现在HTML源代码里面，会有为了方便搜索引擎索引的meta字段，能指出作者和详情。以我的博客《Golang实现HTTP发送gzip请求》为例。里面的meta信息如下：

<meta charset="utf-8">
<meta name="description" content="beego的httplib不支持发送gzip请求，自己研究了一下。">
<meta name="author" content="Bryce">
<meta name="google-translate-customization" content="a4136e955b3e09f2-45a74b56dc13e741-gf616ffda6e6360e0-11">
<meta name="viewport" content="width=device-width, initial-scale=1.0">

查了查，一般大家通过xpath进行解析。有一个现成的包https://github.com/go-xmlpath/xmlpath，按照说明做了一下，不行。看了一下源码，这个包内部是通过encoding/xml实现的，如果HTML的代码有问题，标签不是严格按照规范编写的，就会有解析问题。同理，如果把HTML当作XHTML处理，也是不行的。

后来发现一个神奇的工具https://github.com/EricChiang/pup，通过命令go get github.com/ericchiang/pup安装。它可以通过管道调用：

curl -s http://blog.cyeam.com | pup 'div div div div h2 a'

直接抓取作者和简介可以用如下命令：

curl -s http://blog.cyeam.com/golang/2014/11/29/golang_gzip/ | pup 'head meta[name="author"] attr{content}'
curl -s http://blog.cyeam.com/golang/2014/11/29/golang_gzip/ | pup 'head meta[name="description"] attr{content}' 

这个包能完美解决我的问题，进去看了一下源码，发现包名是main，再一个是因为它用来解析HTML不是那么方便，想了想，我囧的还是用cmd的方式通过管道执行。

req := httplib.Get("http://blog.cyeam.com/golang/2014/11/29/golang_gzip/")
res, err := req.Bytes()
if err != nil {
	panic(err)
}

cmd := exec.Command("pup", `head meta`)
stdin, err := cmd.StdinPipe()
if err != nil {
	panic(err)
}
// defer stdin.Close()
var output bytes.Buffer
cmd.Stdout = &output

if err = cmd.Start(); err != nil { //Use start, not run
	fmt.Println("An error occured: ", err) //replace with logger, or anything you want
}
stdin.Write(res)
stdin.Close()

if err := cmd.Wait(); err != nil {
	panic(err)
}
fmt.Println(string(output.Bytes())) //for debug

通过shell命令行管道是通过|实现，而通过Golang代码，需要通过exec包提供的Stdin实现。把内容写入标准输入流，就相当于管道输入了。写完了要关闭输入流stdin.Close()，如果不关闭，输入流不会被写入。。。

本文所涉及到的完整源码请参考。

参考文献

原文链接：Golang通过pup实现HTML解析，转载请注明来源！

–EOF–

web 2

Golang 72