よくある質問

パッケージ関数と Processor の違いは？

パッケージ関数（例：html.Extract）は内部で sync.Pool を使用して Processor を再利用し、低頻度・一度きりの呼び出しに適しています。呼び出しごとに Processor をプールに返却します。

Processor（例：p := html.New()）は高頻度の呼び出しに適しており、キャッシュと内部リソースを再利用します。統計収集と監査ログもサポートしています。

// 低頻度：パッケージ関数
result, _ := html.Extract(data)

// 高頻度：Processor
p, _ := html.New(html.DefaultConfig())
defer p.Close()
for _, page := range pages {
    p.Extract(page)
}

エンコーディングの問題をどう処理しますか？

HTML ライブラリは 15+ 種類のエンコーディング（UTF-8、GBK、Shift_JIS、Windows-1252 など）を自動検出するため、通常は手動指定は不要です。

エンコーディングを強制指定する場合：

cfg := html.DefaultConfig()
cfg.Encoding = "gbk"

入力サイズの上限は？

デフォルトは最大 50MB（DefaultMaxInputSize = 52428800）。設定で調整可能です：

cfg.MaxInputSize = 10 * 1024 * 1024 // 10MB

Markdown フォーマットの出力を取得するには？

md, err := html.ExtractToMarkdown(data)

または Processor を使用：

p, _ := html.New()
md, _ := p.ExtractToMarkdown(data)

バッチ処理の最大件数は？

1 回のバッチで最大 10000 件です。それ以上のデータセットは分割して処理してください。

抽出されたテキストが空になるのはなぜ？

考えられる原因：

1. HTML 構造の問題 - コンテンツが <script> または <style> タグの中にある
2. サニタイズ後にコンテンツが空になる - 本文がサニタイズで除去されるタグ (例：<iframe>、<object>) にしか存在しない場合、結果が空になることがあります。信頼できる入力であれば、一時的に EnableSanitization = false を設定して調査できます
3. 入力が空 - 入力バイト配列が空でないか確認してください (空白のコンテンツは空の Result を返します)
4. 記事検出 - ExtractArticle を無効にして抽出できるか試してください

エラーと空の結果の区別

DOM のネストが MaxDepth を超えると、空のテキストではなく ErrMaxDepthExceeded エラーを返します。呼び出しが error を返した場合、テキストが空かを確認するよりも errors.Is でエラー型を先に判定してください。

cfg := html.DefaultConfig()
cfg.ExtractArticle = false // 記事認識を無効化

処理統計をモニタリングするには？

p, _ := html.New(html.DefaultConfig())
defer p.Close()

// いくつかコンテンツを処理した後
stats := p.GetStatistics()
fmt.Printf("処理済み：%d\n", stats.TotalProcessed)
fmt.Printf("キャッシュヒット：%d\n", stats.CacheHits)
fmt.Printf("平均処理時間: %v\n", stats.AverageProcessTime)
fmt.Printf("エラー数：%d\n", stats.ErrorCount)

監査を有効にするには？

cfg := html.DefaultConfig()
cfg.Audit = html.DefaultAuditConfig()
cfg.Audit.Enabled = true
cfg.Audit.Sink = html.NewLoggerAuditSink()

詳細は 監査システム を参照してください。

ファイルパスは安全ですか？

FileError は完全なパスを自動的に切り詰め、エラーメッセージでのサーバーパス漏洩を防止します：

var fileErr *html.FileError
if errors.As(err, &fileErr) {
    fmt.Println(fileErr.SafePath()) // ファイル名のみ、完全パスではない
}

カスタムコンテンツスコアリングを実装するには？

Scorer インターフェースを実装します：

type MyScorer struct{}

func (s *MyScorer) Score(node html.ContentNode) int {
    // カスタムスコアリングロジック
    return 0
}

func (s *MyScorer) ShouldRemove(node html.ContentNode) bool {
    // カスタム削除ロジック
    return false
}

cfg := html.DefaultConfig()
cfg.Scorer = &MyScorer{}

詳細は インターフェース定義 を参照してください。