本文详解使用 golang.org/x/net/html 包解析 HTML，实现按层级（如每行第二列 ）提取文本，并安全提取 子树为独立 HTML 片段。

本文详解使用 `golang.org/x/net/html` 包解析 html，实现按层级（如每行第二列 `

Wechat HTML Publisher

直接上传HTML富文本到微信公众号草稿箱。支持完整的HTML格式,无需Markdown转换。

下载

`）提取文本，并安全提取 `` 子树为独立 html 片段。

在 Go 中进行网页抓取时，直接操作 HTML Token 是高效且内存友好的方式——尤其适用于大规模或流式解析场景。golang.org/x/net/html 提供了低层 tokenizer 接口，避免构建完整 DOM 树，显著降低内存开销。下面分两部分讲解核心需求的实现：

✅ 提取每行 <tr> 中第二个 <code><td> 的文本内容<p>关键在于<strong>状态跟踪</strong>：进入 <code><tr> 时重置列计数器；遇到 <code><td> 时判断索引（从 0 开始），仅当 <code>i == 1（即第二个 <td>）时读取其内部文本。注意：<code><td> 的文本内容位于其 <strong>StartTagToken 之后的 TextToken</strong> 中，因此需调用 <code>z.Next() 并检查 html.TextToken。

package main

import (
    "fmt"
    "strings"
    "golang.org/x/net/html"
)

func extractSecondTD(htmlStr string) []string {
    var results []string
    r := strings.NewReader(htmlStr)
    z := html.NewTokenizer(r)

    inTR := false
    tdIndex := 0

    for {
        tt := z.Next()
        switch tt {
        case html.ErrorToken:
            return results
        case html.StartTagToken:
            t := z.Token()
            if t.Data == "tr" {
                inTR = true
                tdIndex = 0
            } else if t.Data == "td" && inTR {
                if tdIndex == 1 {
                    // 下一个 token 应为 TextToken（忽略空格/换行需 trim）
                    if next := z.Next(); next == html.TextToken {
                        text := strings.TrimSpace(z.Token().Data)
                        if text != "" {
                            results = append(results, text)
                        }
                    }
                }
                tdIndex++
            }
        case html.EndTagToken:
            t := z.Token()
            if t.Data == "tr" {
                inTR = false
            }
        }
    }
}

var sampleHTML = `
<table>
   <tr><td>A1</td><td>Apple</td><td>X1</td></tr>
   <tr><td>B1</td><td>Banana</td><td>X2</td></tr>
   <tr><td>C1</td><td>Cherry</td><td>X3</td></tr>
</table>`

func main() {
    data := extractSecondTD(sampleHTML)
    fmt.Println(data) // 输出: [Apple Banana Cherry]
}

⚠️ 注意事项：

• HTML 中 <td> 内容可能包含换行、缩进等空白字符，务必用 <code>strings.TrimSpace() 清理；
• 避免依赖 t.DataAtom（需预注册原子表），对简单标签名字符串匹配已足够；
• 若 <td> 内含嵌套标签（如 <code><strong></strong>），上述方法将跳过它们——如需完整渲染文本，请改用 html.Node 解析（见下文）。

  ✅ 提取 <table> 及其全部子节点为独立 HTML 字符串<p>若需剥离页面其他结构、仅保留 <code><table> 子树，推荐使用 <code>html.Parse() 构建节点树，再递归序列化目标节点：

  立即学习“前端免费学习笔记（深入）”；

  import "golang.org/x/net/html/atom"
  
  func extractTableHTML(htmlStr string) (string, error) {
      doc, err := html.Parse(strings.NewReader(htmlStr))
      if err != nil {
          return "", err
      }
  
      var findTable func(*html.Node) *html.Node
      findTable = func(n *html.Node) *html.Node {
          if n.Type == html.ElementNode && n.Data == "table" {
              return n
          }
          for c := n.FirstChild; c != nil; c = c.NextSibling {
              if found := findTable(c); found != nil {
                  return found
              }
          }
          return nil
      }
  
      tableNode := findTable(doc)
      if tableNode == nil {
          return "", fmt.Errorf("table tag not found")
      }
  
      var buf strings.Builder
      if err := html.Render(&buf, tableNode); err != nil {
          return "", err
      }
      return buf.String(), nil
  }
  
  // 使用示例：
  // result, _ := extractTableHTML(fullPageHTML)
  // fmt.Println(result) // 输出纯 <table>...</table> 字符串

  该方法生成标准、可嵌入的 HTML 片段，自动处理属性转义与闭合标签，比正则匹配更健壮可靠。

  总结

  • Token 流式解析适合高性能、单次提取场景（如仅取特定列文本）；
  • Node 树解析适合需复用、修改或导出结构化 HTML 的场景；
  • 始终校验 HTML 结构合法性（如缺失闭合标签），生产环境建议结合 net/http 的 io.LimitReader 防止过大响应体；
  • 对复杂页面，推荐搭配 github.com/PuerkitoBio/goquery（jQuery 风格 API）提升开发效率，底层仍基于 x/net/html。