本文详解如何使用 golang.org/x/net/html 令牌化解析 HTML，高效提取表格（）内每行（）的第二个 文本，并演示如何仅保留 及其子树、剥离外部无关 HTML 内容。
本文详解如何使用 golang.org/x/net/html 令牌化解析 html，高效提取表格（<table>）内每行（<code><tr>）的第二个 <code><td> 文本，并演示如何仅保留 <code><table> 及其子树、剥离外部无关 html 内容。<p>在 Go 中进行 Web 抓取时，直接使用正则表达式解析 HTML 是<strong>不推荐且不可靠的</strong>——HTML 是嵌套结构化文本，正则无法正确处理嵌套标签、属性转义或 malformed 情况。Go 官方生态推荐使用 <code>golang.org/x/net/html 包进行基于令牌（token）的流式解析，它轻量、内存友好，且完全符合 HTML5 规范。
✅ 提取每行第二个 <td> 的文本内容<p>核心思路是：遍历 HTML 令牌流，通过状态变量追踪当前所处的 <code><tr> 和 <code><td> 层级。当遇到 <code><td> 标签时，按顺序计数（从 0 开始），仅对索引为 <code>1（即第二个）的 <td> 继续读取其内部文本节点：<pre class="brush:php;toolbar:false;">package main
import (
"fmt"
"strings"
"golang.org/x/net/html"
)
func extractSecondTD(htmlContent string) []string {
var results []string
r := strings.NewReader(htmlContent)
z := html.NewTokenizer(r)
inTR := false // 是否处于 <tr> 标签内
tdIndex := 0 // 当前行中 <td> 的序号（0-based）
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 { // 第二个 <td>
// 读取下一个 token（应为 TextToken）
if z.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 = `
<html>
<body>
<h1>My Table</h1>
<table>
<tr><td>A1</td><td>B1</td><td>C1</td></tr>
<tr><td>A2</td><td>B2</td><td>C2</td></tr>
<tr><td>A3</td><td>B3</td><td>C3</td></tr>
</table>
</body>
</html>`
func main() {
data := extractSecondTD(sampleHTML)
fmt.Println(data) // 输出: [B1 B2 B3]
}</pre><blockquote>
<p>⚠️ 注意事项：</p>
<ul>
<li>
<code>z.Next() 必须被调用以推进解析器；未调用会导致死循环或跳过内容。
<td> 内容可能包含换行/空格，建议用 <code>strings.TrimSpace() 清理。✅ 提取 <table> 子树并生成独立 HTML 字符串<p>若需剥离 <code><table> 外所有内容（如 <code>、导航栏等），可采用“定位 + 序列化”策略：先找到 <table> 开始标签，然后递归复制其所有子节点（含开始/结束标签与文本），直到匹配闭合 <code>
。
立即学习“前端免费学习笔记（深入）”；
以下函数返回 <table>...</table> 的完整原始 HTML 字符串（含缩进与换行，保持原格式）：
func extractTableOnly(htmlContent string) string {
r := strings.NewReader(htmlContent)
z := html.NewTokenizer(r)
var buf strings.Builder
depth := 0
capturing := false
for {
tt := z.Next()
switch tt {
case html.ErrorToken:
return buf.String()
case html.StartTagToken:
t := z.Token()
if t.Data == "table" && !capturing {
capturing = true
depth = 1
buf.WriteString("<" + t.Data)
for _, a := range t.Attr {
buf.WriteString(fmt.Sprintf(` %s="%s"`, a.Key, a.Val))
}
buf.WriteString(">")
continue
}
if capturing {
buf.WriteString("<" + t.Data)
for _, a := range t.Attr {
buf.WriteString(fmt.Sprintf(` %s="%s"`, a.Key, a.Val))
}
buf.WriteString(">")
if t.Data != "br" && t.Data != "img" && t.Data != "input" { // 自闭合标签除外
depth++
}
}
case html.EndTagToken:
t := z.Token()
if capturing {
buf.WriteString("</" + t.Data + ">")
if t.Data == "table" {
depth--
if depth == 0 {
return buf.String()
}
} else {
depth--
}
}
case html.TextToken:
if capturing {
text := strings.TrimSpace(z.Token().Data)
if text != "" {
buf.WriteString(html.EscapeString(text))
}
}
}
}
}? 小技巧：如需输出更规范的 HTML（如自动补全缺失闭合标签），可结合
golang.org/x/net/html的Node构建 +html.Render，但会增加内存开销；流式令牌法更适合纯裁剪场景。
总结
- ✅ 精准定位：用状态机（
inTR,tdIndex）替代 DOM 遍历，高效提取任意层级指定位置的内容； - ✅ 安全裁剪：基于令牌深度计数提取子树，避免字符串截取导致的标签断裂；
- ❌ 避免踩坑：绝不使用正则解析 HTML；注意
TextToken前必须调用z.Next()；始终处理空格与转义； - ? 推荐依赖：
golang.org/x/net/html（官方维护，稳定可靠），无需引入庞大第三方库。
掌握令牌化解析，你就能在低内存、高并发场景下稳健完成网页数据抽取任务。
