メディア抽出実践

テキスト、画像、リンクに加えて、ライブラリは HTML から動画と音声リソースを抽出できます。本ガイドでは抽出メカニズムとフィールドの意味を詳しく解説します。

抽出の概要

Extract を呼び出す際、動画と音声の抽出は DOM パースの後、コンテンツのフォーマット前に実行されます。結果はそれぞれ Result.Videos と Result.Audios に格納されます。

text

DOM パース → 動画抽出（3 ソース） → 音声抽出（2 ソース） → フォーマット → Result

動画抽出（3 つのソース）

動画抽出は以下の順序で実行され、各 URL は重複排除されるため、重複して収集されることはありません：

順序	ソース	走査対象	説明
①	生 HTML スキャン	`iframe`/`embed`/`object` の `src`/`data` 属性	安全なサニタイズの前に実行され、サニタイズされる埋め込みタグが失われないようにします
②	DOM 走査	`video`/`iframe`/`embed`/`object` 要素	パースされた DOM ツリーを走査し、要素の属性と `<source>` 子要素を読み取ります
③	正規表現フォールバック	動画ファイル URL	HTML テキスト内の裸の動画リンクをスキャンします

なぜ生 HTML をスキャンするのか

iframe、embed、object などの埋め込みタグは、安全なサニタイズ段階で削除される可能性があります。ライブラリはサニタイズの前に、生 HTML 文字列からこれらのタグのメディア URL を抽出することで、埋め込み動画がサニタイズによって失われないようにします。

正規表現フォールバックが対応する動画拡張子

.mp4  .webm  .ogg  .mov  .avi  .wmv  .flv  .mkv  .m4v  .3gp

正規表現は http:// または https:// で始まる完全な URL のみをマッチし、ファイル名の断片を誤ってマッチすることはありません。

音声抽出（2 つのソース）

順序	ソース	走査対象	説明
①	DOM 走査	`audio` 要素および `<source>` 子要素	`src` 属性または子 `<source>` の `src`/`type` を読み取ります
②	正規表現フォールバック	音声ファイル URL	HTML テキスト内の裸の音声リンクをスキャンします

正規表現フォールバックが対応する音声拡張子

.mp3  .wav  .ogg  .m4a  .aac  .flac  .wma  .opus  .oga

.ogg 拡張子は動画と音声の両方のリストに含まれます

OGG はコンテナフォーマットであり、動画（Theora）または音声（Vorbis/Opus）を格納できます。拡張子 .ogg の URL は動画でも音声でもあると検出され、Result.Videos と Result.Audios の両方に同時に現れる可能性があります。音声専用のバリアント .oga は音声リストにのみ現れます。

フィールドの詳細

VideoInfo

フィールド	型	説明
`URL`	`string`	動画ソースのアドレス
`Type`	`string`	検出されたタイプ：MIME タイプ（例：`video/mp4`）または `embed`（iframe で埋め込まれたページ）
`Poster`	`string`	`<video>` の `poster` 属性（カバー画像の URL）
`Width`	`string`	幅属性（元の文字列、数値にはパースされません）
`Height`	`string`	高さ属性（元の文字列、数値にはパースされません）
`Duration`	`string`	再生時間属性（元の文字列、数値にはパースされません）

AudioInfo

フィールド	型	説明
`URL`	`string`	音声ソースのアドレス
`Type`	`string`	検出されたタイプ：MIME タイプ（例：`audio/mpeg`）
`Duration`	`string`	再生時間属性（元の文字列、数値にはパースされません）

Type フィールドの値の決定ルール

Type は 2 種類の動画ソースを区別します：

Type の値	意味	発生するシーン
`embed`	iframe が参照する動画ページ	YouTube、Vimeo、Youku、Bilibili などの埋め込みプレーヤー
MIME タイプ（例：`video/mp4`）	動画ファイルコンテナ	正規表現フォールバックでマッチした裸の URL、または `<source type="...">` 属性値
空文字列	タイプが検出されなかった	`<video src="...">` でソースを直接指定（`<source>` 子要素がない場合）

embed 検出に対応する埋め込みプラットフォーム：

プラットフォーム	URL パターン
YouTube	`youtube.com/embed/`、`youtube-nocookie.com/embed/`
Vimeo	`player.vimeo.com/video/`
Dailymotion	`dailymotion.com/embed/`
Youku	`player.youku.com/`
Tencent Video	`v.qq.com/`
Bilibili	`bilibili.com/`

完全なサンプル

package main

import (
    "fmt"
    "log"

    "github.com/cybergodev/html"
)

func main() {
    // 3 つのメディアシナリオを含む HTML：
    // 1. iframe による YouTube 埋め込み（Type = "embed"）
    // 2. <source> 子要素を持つネイティブ動画（Type は type 属性から取得）
    // 3. <source> 子要素を持つ音声（Type は type 属性から取得）
    data := []byte(`<html><body><article>
        <h1>マルチメディアページ</h1>
        <p>この記事では動画と音声の技術について紹介します。</p>
        <iframe src="https://www.youtube.com/embed/dQw4w9WgXcQ" width="560" height="315"></iframe>
        <video poster="poster.jpg" width="640" height="360">
            <source src="https://example.com/trailer.mp4" type="video/mp4">
        </video>
        <audio>
            <source src="https://example.com/episode.mp3" type="audio/mpeg">
        </audio>
    </article></body></html>`)

    result, err := html.Extract(data)
    if err != nil {
        log.Fatal(err)
    }

    fmt.Printf("動画数：%d\n", len(result.Videos))
    // 動画数：2

    for i, v := range result.Videos {
        fmt.Printf("  動画 %d: %s\n", i+1, v.URL)
        fmt.Printf("    Type: %s", v.Type)
        if v.Poster != "" {
            fmt.Printf(", ポスター: %s", v.Poster)
        }
        if v.Width != "" || v.Height != "" {
            fmt.Printf(", サイズ: %sx%s", v.Width, v.Height)
        }
        fmt.Println()
    }
    // 動画 1: https://www.youtube.com/embed/dQw4w9WgXcQ
    //   Type: embed, サイズ: 560x315
    // 動画 2: https://example.com/trailer.mp4
    //   Type: video/mp4, ポスター: poster.jpg, サイズ: 640x360

    fmt.Printf("\n音声数：%d\n", len(result.Audios))
    // 音声数：1

    for i, a := range result.Audios {
        fmt.Printf("  音声 %d: %s (Type: %s)\n", i+1, a.URL, a.Type)
    }
    // 音声 1: https://example.com/episode.mp3 (Type: audio/mpeg)
}

設定による制御

Preserve* オプション

PreserveVideos と PreserveAudios は Extract の結果にメディアを含めるかどうかを制御します：

設定フィールド	デフォルト値	機能
`PreserveVideos`	`true`	`false` の場合 `Result.Videos` は空のスライスになります
`PreserveAudios`	`true`	`false` の場合 `Result.Audios` は空のスライスになります

cfg := html.DefaultConfig()

// 動画と音声の抽出を無効化（テキスト、画像、リンクのみ保持）
cfg.PreserveVideos = false
cfg.PreserveAudios = false

result, err := html.Extract(data, cfg)
// result.Videos → []
// result.Audios → []

Preserve* と Include* の違い

2 つの設定グループは独立して動作し、異なる API を制御します：

設定グループ	制御する API	説明
`PreserveVideos`/`PreserveAudios`	`Extract`	`Result.Videos`/`Result.Audios` にデータを格納するかどうかを制御
`IncludeVideos`/`IncludeAudios`	`ExtractAllLinks`	リンク列挙に動画/音声 URL を含めるかどうかを制御

両者は独立しています

PreserveVideos を無効にしても ExtractAllLinks の IncludeVideos には影響せず、逆も同様です。使用する API に応じて対応するオプションを設定してください。

TextOnlyConfig パフォーマンスプリセット

テキストのみが必要な場合、TextOnlyConfig() はすべての Preserve* オプションを無効化済みのため、手動設定は不要です：

cfg := html.TextOnlyConfig()
// PreserveImages = false
// PreserveLinks = false
// PreserveVideos = false
// PreserveAudios = false

result, err := html.Extract(data, cfg)
// すべてのメディア抽出をスキップし、最高のパフォーマンスを得る

次のステップ

コンテンツ抽出実践 - 抽出フローと記事認識
出力フォーマット実践 - プレーンテキスト、Markdown、JSON の比較
API リファレンス：データ型 - VideoInfo/AudioInfo の完全な定義

メディア抽出実践 ​

抽出の概要 ​

動画抽出（3 つのソース） ​

正規表現フォールバックが対応する動画拡張子 ​

音声抽出（2 つのソース） ​

正規表現フォールバックが対応する音声拡張子 ​

フィールドの詳細 ​

VideoInfo ​

AudioInfo ​

Type フィールドの値の決定ルール ​

完全なサンプル ​

設定による制御 ​

Preserve* オプション ​

Preserve* と Include* の違い ​

TextOnlyConfig パフォーマンスプリセット ​

次のステップ ​