本文コンテンツ
`) // ほとんどのシーン：デフォルト設定をそのまま使用 p1, _ := html.New() defer p1.Close() r1, _ := p1.Extract(data) fmt.Println(r1.Title) // プレーンテキストのみ必要（検索エンジンインデックスなど） p2, _ := html.New(html.TextOnlyConfig()) defer p2.Close() // Markdown を出力（CMS マイグレーションなど） p3, _ := html.New(html.MarkdownConfig()) defer p3.Close() md, _ := p3.ExtractToMarkdown(data) fmt.Println(md) } ``` :::tip プリセットから始める 迷った場合は `DefaultConfig()` から始め、必要に応じて個別フィールドを調整します。プリセットは組み合わせ可能で、あるプリセットを取得した後にフィールドを上書きできます： ::: ```go cfg := html.HighSecurityConfig() cfg.PreserveImages = false // 高セキュリティ設定に加えて画像を無効化 processor, _ := html.New(cfg) ``` ## 6 分類のフィールドガイド ### リソース管理 メモリ使用量とパフォーマンスを制御します。日常的な開発では調整の必要は通常ありません。 | フィールド | デフォルト値 | 説明 | |------|--------|------| | `MaxInputSize` | 50 MB | 最大入力サイズ、メモリ枯渇を防止 | | `MaxCacheEntries` | 2000 | キャッシュエントリ数の上限、0 でキャッシュ無効 | | `CacheTTL` | 1 時間 | キャッシュの生存時間 | | `CacheCleanup` | 5 分 | バックグラウンドの期限切れキャッシュのクリーンアップ間隔 | | `WorkerPoolSize` | 4 | バッチ処理の並行数（1–256） | | `ProcessingTimeout` | 30 秒 | 1 ドキュメントあたりの処理タイムアウト、0 で無制限 | :::warning キャッシュは Processor インスタンスのみ有効 パッケージレベル関数（`html.Extract` など）はプールされた Processor を使用し、呼び出しごとにキャッシュをクリアします。キャッシュが必要な場合は `html.New()` で独立した Processor を作成してください。詳細は [Processor 再利用とキャッシュ](../performance/processor-cache) を参照してください。 ::: ### セキュリティ セキュリティ設定は本番環境で重点的に確認すべき項目です。完全なセキュリティ機能の紹介は [セキュリティ概要](../security/) を参照してください。 | フィールド | デフォルト値 | 説明 | |------|--------|------| | `EnableSanitization` | `true` | HTML サニタイズ（危険なタグ/属性を除去） | | `MaxDepth` | 500 | DOM ネスト深さの上限、スタックオーバーフローを防止 | | `AllowedBaseDir` | `""` | ファイル操作のサンドボックスディレクトリ、空 = 制限なし | | `Audit` | 無効 | セキュリティ監査ログの設定 | :::warning AllowedBaseDir ユーザー提供のファイルパスを処理する際は、必ず `AllowedBaseDir` を設定してください。OS のファイルハンドルを通じて実際のパスを解決し、シンボリックリンクや Windows junction の回避を防止します。 ::: ### コンテンツ抽出 HTML からどのコンテンツを抽出するかを制御します。 | フィールド | デフォルト値 | 説明 | |------|--------|------| | `ExtractArticle` | `true` | スマート記事認識（メインコンテンツを自動特定） | | `PreserveImages` | `true` | 画像情報を保持 | | `PreserveLinks` | `true` | リンク情報を保持 | | `PreserveVideos` | `true` | 動画を抽出 | | `PreserveAudios` | `true` | 音声を抽出 | 不要なメディアタイプを無効化するとパフォーマンスが向上します： ```go cfg := html.DefaultConfig() cfg.PreserveVideos = false cfg.PreserveAudios = false // テキスト、画像、リンクのみ抽出 ``` ### 出力フォーマット テキスト出力における画像とリンクの表示方法を制御します。詳細は [出力フォーマット実践](./output-formats) を参照してください。 | フィールド | デフォルト値 | 選択可能な値 | |------|--------|--------| | `InlineImageFormat` | `"none"` | `"none"`, `"markdown"`, `"html"`, `"placeholder"` | | `InlineLinkFormat` | `"none"` | `"none"`, `"markdown"`, `"html"` | | `TableFormat` | `"markdown"` | `"markdown"`, `"html"` | | `Encoding` | `""`（自動） | `"utf-8"`, `"gbk"`, `"shift_jis"`, `"windows-1252"` など | `Encoding` を空欄にすると自動検出されます。手動指定すると検出ステップをスキップできパフォーマンスが向上しますが、エンコーディングが確実に分かっている場合のみ使用してください。詳細は [エンコーディング検出実践](./encoding-detection) を参照してください。 ### リンク抽出 以下のフィールドは `ExtractAllLinks` でのみ有効で、どの種類のリソースリンクを抽出するかを制御します。詳細は [リンク抽出実践](./link-extraction) を参照してください。 | フィールド | デフォルト値 | 説明 | |------|--------|------| | `ResolveRelativeURLs` | `true` | 相対 URL を絶対 URL に解決 | | `BaseURL` | `""` | 解決のベース、空欄時は HTML から自動検出 | | `IncludeImages` | `true` | `