Go语言中高效提取正则表达式捕获组内容与HTML解析最佳实践

package main

import (
    "fmt"
    "regexp"
)

func main() {
    // 示例HTML片段，用于演示正则表达式匹配
    // 在实际应用中，这部分内容可能来自网络请求或其他文件读取
    body := []byte(`
        <ul>
            <li>Item 1 Content</li>
            <li>Item 2 Content</li>
            <li>Item 3 Content</li>
            <li class="special">Special Item Content</li>
        </ul>
    `)

    // 编译正则表达式，捕获<li>标签内的内容
    // 注意：这里使用非贪婪匹配(.+?)，以确保匹配只在单个<li>标签内部
    r := regexp.MustCompile("<li>(.+?)</li>")

    // 使用FindAllSubmatch直接获取所有匹配及其捕获组
    // 第二个参数-1表示查找所有匹配项
    matches := r.FindAllSubmatch(body, -1)

    fmt.Println("使用 regexp.FindAllSubmatch 提取的内容:")
    for i, match := range matches {
        // match[0] 是完整的匹配，例如 []byte("<li>Item 1 Content</li>")
        // match[1] 是第一个捕获组的内容，例如 []byte("Item 1 Content")
        if len(match) > 1 { // 确保有捕获组
            fmt.Printf("%d: %s\n", i, match[1])
        }
    }

    fmt.Println("\n--- 对比传统 FindAll + ReplaceAll 方式 (代码已注释) ---")
    // 以下是传统低效方法的示意，已被注释以突出优化方案
    /*
    out := r.FindAll(body, -1)
    fmt.Println("使用 FindAll 后再 ReplaceAll 提取的内容:")
    for i, v := range out {
        // 这里会创建一个新的切片来存储替换后的结果
        replaced := r.ReplaceAll(v, []byte("$1"))
        fmt.Printf("%d: %s\n", i, replaced)
    }
    */
}

go get github.com/PuerkitoBio/goquery

package main

import (
    "fmt"
    "log"
    "net/http"
    "strings"

    "github.com/PuerkitoBio/goquery"
)

func main() {
    // 发起HTTP请求获取HTML文档
    // 注意：这里使用一个示例URL，实际应用中请替换为目标网址
    res, err := http.Get("https://www.example.com") 
    if err != nil {
        log.Fatal("无法发起HTTP请求:", err)
    }
    defer res.Body.Close() // 确保关闭响应体

    if res.StatusCode != 200 {
        log.Fatalf("HTTP请求失败，状态码: %d %s", res.StatusCode, res.Status)
    }

    // 使用goquery.NewDocumentFromReader解析HTML文档
    doc, err := goquery.NewDocumentFromReader(res.Body)
    if err != nil {
        log.Fatal("无法解析HTML文档:", err)
    }

    fmt.Println("使用 goquery 提取的内容:")
    // 查找所有<li>元素
    doc.Find("li").Each(func(i int, s *goquery.Selection) {
        // 对于每个<li>元素，获取其内部文本
        // .Text() 方法会获取元素的文本内容，并自动处理子元素
        // strings.TrimSpace 用于移除文本前后的空白字符
        fmt.Printf("%d: %s\n", i, strings.TrimSpace(s.Text()))
    })

    // goquery也支持链式调用和更复杂的选择器，例如获取特定索引的文本：
    // if firstLi := doc.Find("li").First(); firstLi.Length() > 0 {
    //     fmt.Println("\n第一个 li 元素文本:", strings.TrimSpace(firstLi.Text()))
    // }
}