Продвинутые примеры
Пользовательский Scorer
Настройка логики распознавания контента под структуру конкретного сайта. Полную реализацию см. в Тестирование и пользовательские расширения, ниже показано базовое использование:
go
package main
import (
"fmt"
"log"
"strings"
"github.com/cybergodev/html"
)
// Реализация пользовательского Scorer (полный пример см. в guides/testing-custom)
type myScorer struct{}
func (s myScorer) Score(node html.ContentNode) int {
if node == nil {
return 0
}
class := node.AttrValue("class")
if strings.Contains(class, "article") || strings.Contains(class, "post") {
return 100
}
if strings.Contains(class, "sidebar") || strings.Contains(class, "comment") {
return -50
}
return 0
}
func (s myScorer) ShouldRemove(node html.ContentNode) bool {
switch node.Data() {
case "nav", "footer", "header":
return true
}
return false
}
func main() {
cfg := html.DefaultConfig()
cfg.Scorer = myScorer{}
p, err := html.New(cfg)
if err != nil {
log.Fatal(err)
}
defer p.Close()
data := []byte(`<html><body>
<nav><a href="/">Главная</a></nav>
<article class="post-content">
<h1>Глубокое понимание параллелизма в Go</h1>
<p>goroutine — это легковесный поток Go.</p>
</article>
<aside class="sidebar">Рекомендуемое чтение</aside>
</body></html>`)
result, err := p.Extract(data)
if err != nil {
log.Fatal(err)
}
fmt.Println("Текст:", result.Text)
// Текст: Глубокое понимание параллелизма в Go
//
// goroutine — это легковесный поток Go.
}Конвейер аудита с несколькими Sink
Построение многоуровневого конвейера аудита: события critical записываются в отдельный файл, все события одновременно выводятся в журнал.
go
package main
import (
"fmt"
"log"
"os"
"github.com/cybergodev/html"
)
func main() {
// Создание целей вывода
allFile, _ := os.Create("audit-all.jsonl")
criticalFile, _ := os.Create("audit-critical.jsonl")
defer allFile.Close()
defer criticalFile.Close()
// Построение многоуровневого конвейера
allSink := html.NewWriterAuditSink(allFile)
criticalSink := html.NewFilteredSink(
html.NewWriterAuditSink(criticalFile),
func(e html.AuditEntry) bool {
return e.Level == html.AuditLevelCritical
},
)
loggerSink := html.NewLoggerAuditSink()
pipeline := html.NewMultiSink(allSink, criticalSink, loggerSink)
// Конфигурация
cfg := html.HighSecurityConfig()
cfg.Audit = html.HighSecurityAuditConfig()
cfg.Audit.Sink = pipeline
p, err := html.New(cfg)
if err != nil {
log.Fatal(err)
}
defer p.Close()
// Обработка контента
data := []byte(`<html><body>
<script>alert('xss')</script>
<article><p>Безопасный контент</p></article>
</body></html>`)
result, err := p.Extract(data)
if err != nil {
log.Fatal(err)
}
fmt.Println("Текст:", result.Text)
// Журнал аудита автоматически записывается в файлы и stderr
}Пакетная обработка файлов
Пакетная обработка HTML-файлов в каталоге, сбор результатов и ошибок:
go
package main
import (
"fmt"
"os"
"path/filepath"
"github.com/cybergodev/html"
)
func main() {
// Сбор путей к файлам
var files []string
filepath.Walk("./pages", func(path string, info os.FileInfo, err error) error {
if err != nil {
return nil
}
if filepath.Ext(path) == ".html" || filepath.Ext(path) == ".htm" {
files = append(files, path)
}
return nil
})
fmt.Printf("Обнаружено файлов: %d\n", len(files))
// Пакетная обработка
p, _ := html.New(html.TextOnlyConfig())
defer p.Close()
// Лимит одной партии — 10 000; при превышении падает вся партия, вызывающая сторона должна разбивать сама
batch := p.ExtractBatchFiles(files)
fmt.Printf("Успешно: %d, Неудачно: %d, Отменено: %d\n",
batch.Success, batch.Failed, batch.Cancelled)
// Обработка результатов
for i, result := range batch.Results {
if result != nil {
fmt.Printf("[%d] %s (слов: %d)\n", i, result.Title, result.WordCount)
}
}
// Проверка ошибок
for i, err := range batch.Errors {
if err != nil {
fmt.Printf("[%d] Ошибка: %v\n", i, err)
}
}
}Повторное использование Processor с тайм-аутом
Паттерн Singleton Processor в сценарии веб-сервиса:
go
package main
import (
"context"
"encoding/json"
"fmt"
"log"
"net/http"
"time"
"github.com/cybergodev/html"
)
var processor *html.Processor
func init() {
cfg := html.DefaultConfig()
cfg.MaxCacheEntries = 5000
cfg.CacheTTL = 30 * time.Minute
cfg.ProcessingTimeout = 10 * time.Second
var err error
processor, err = html.New(cfg)
if err != nil {
log.Fatal(err)
}
}
func extractHandler(w http.ResponseWriter, r *http.Request) {
ctx, cancel := context.WithTimeout(r.Context(), 5*time.Second)
defer cancel()
data := []byte(r.FormValue("html"))
if len(data) == 0 {
http.Error(w, "html field required", http.StatusBadRequest)
return
}
result, err := processor.ExtractWithContext(ctx, data)
if err != nil {
http.Error(w, err.Error(), http.StatusInternalServerError)
return
}
w.Header().Set("Content-Type", "application/json")
json.NewEncoder(w).Encode(result)
}
func statsHandler(w http.ResponseWriter, r *http.Request) {
stats := processor.GetStatistics()
fmt.Fprintf(w, "Обработано: %d\nПопаданий в кэш: %d\nОшибок: %d\n",
stats.TotalProcessed, stats.CacheHits, stats.ErrorCount)
}
func main() {
defer processor.Close()
http.HandleFunc("/extract", extractHandler)
http.HandleFunc("/stats", statsHandler)
log.Fatal(http.ListenAndServe(":8080", nil))
}Извлечение и генерация Markdown-файлов
Извлечение контента из HTML-страниц и сохранение в виде Markdown-файлов:
go
package main
import (
"fmt"
"log"
"os"
"strings"
"github.com/cybergodev/html"
)
func main() {
p, err := html.New(html.MarkdownConfig())
if err != nil {
log.Fatal(err)
}
defer p.Close()
urls := []string{
"downloaded/page1.html",
"downloaded/page2.html",
"downloaded/page3.html",
}
for _, path := range urls {
md, err := p.ExtractToMarkdownFromFile(path)
if err != nil {
log.Printf("Ошибка обработки %s: %v", path, err)
continue
}
// Генерация имени выходного файла
outPath := strings.Replace(path, ".html", ".md", 1)
if err := os.WriteFile(outPath, []byte(md), 0644); err != nil {
log.Printf("Ошибка записи %s: %v", outPath, err)
continue
}
fmt.Printf("%s -> %s\n", path, outPath)
}
}Отмена контекста и корректное завершение
Использование context для управления тайм-аутом извлечения в HTTP-сервисе с поддержкой отмены на уровне запроса:
go
package main
import (
"context"
"errors"
"fmt"
"log"
"net/http"
"os"
"os/signal"
"syscall"
"time"
"github.com/cybergodev/html"
)
var processor *html.Processor
func init() {
cfg := html.DefaultConfig()
cfg.ProcessingTimeout = 10 * time.Second
cfg.MaxCacheEntries = 5000
var err error
processor, err = html.New(cfg)
if err != nil {
log.Fatal(err)
}
}
func extractHandler(w http.ResponseWriter, r *http.Request) {
// Тайм-аут на уровне запроса (5 с), суммируется с ProcessingTimeout (10 с) — срабатывает тот, что раньше
ctx, cancel := context.WithTimeout(r.Context(), 5*time.Second)
defer cancel()
body := make([]byte, 0)
buf := make([]byte, 4096)
for {
n, err := r.Body.Read(buf)
body = append(body, buf[:n]...)
if err != nil {
break
}
if len(body) > 10*1024*1024 {
http.Error(w, "Тело запроса слишком велико", http.StatusRequestEntityTooLarge)
return
}
}
result, err := processor.ExtractWithContext(ctx, body)
if err != nil {
switch {
case errors.Is(err, html.ErrProcessingTimeout):
http.Error(w, "Тайм-аут обработки", http.StatusGatewayTimeout)
case errors.Is(err, html.ErrInputTooLarge):
http.Error(w, "Ввод слишком большой", http.StatusRequestEntityTooLarge)
default:
http.Error(w, err.Error(), http.StatusInternalServerError)
}
return
}
w.Header().Set("Content-Type", "application/json")
fmt.Fprintf(w, `{"title":"%s","word_count":%d}`, result.Title, result.WordCount)
}
func main() {
defer processor.Close()
server := &http.Server{Addr: ":8080"}
http.HandleFunc("/extract", extractHandler)
// Корректное завершение: при получении сигнала закрывает Processor и HTTP-сервис
go func() {
sigChan := make(chan os.Signal, 1)
signal.Notify(sigChan, syscall.SIGINT, syscall.SIGTERM)
<-sigChan
log.Println("Завершение работы...")
processor.Close()
server.Shutdown(context.Background())
}()
log.Println("Сервис запущен на :8080")
log.Fatal(server.ListenAndServe())
}Безопасная обработка файлов
Использование песочницы AllowedBaseDir для обработки пользовательских путей к файлам:
go
package main
import (
"errors"
"fmt"
"log"
"github.com/cybergodev/html"
)
func main() {
cfg := html.HighSecurityConfig()
// Ограничение чтения файлов этим каталогом и его подкаталогами
// Реальный путь разрешается через дескриптор файла ОС — защита от обхода через symlink/junction
cfg.AllowedBaseDir = "/var/www/uploads"
p, err := html.New(cfg)
if err != nil {
log.Fatal(err)
}
defer p.Close()
// Имитация пользовательских путей к файлам
userFiles := []string{
"/var/www/uploads/article1.html", // ✅ Разрешено
"/var/www/uploads/sub/page.html", // ✅ Разрешено (подкаталог)
"../../../etc/passwd", // ❌ Обход пути
"/etc/shadow", // ❌ Вне каталога
}
for _, file := range userFiles {
_, err := p.ExtractFromFile(file)
if err != nil {
var fileErr *html.FileError
if errors.As(err, &fileErr) {
// SafePath возвращает только имя файла, не раскрывая полный путь
fmt.Printf("❌ Отклонено %s: %s\n", fileErr.SafePath(), fileErr.FileErr)
} else {
fmt.Printf("❌ Ошибка: %v\n", err)
}
continue
}
fmt.Printf("✅ Успешно обработано: %s\n", file)
}
}Резервное определение кодировки
Откат к кодировке, указанной вручную, при сбое автоопределения:
go
package main
import (
"fmt"
"log"
"strings"
"github.com/cybergodev/html"
)
// extractWithFallback сначала определяет автоматически, при неудаче повторяет с указанной кодировкой
func extractWithFallback(data []byte, fallback string) (*html.Result, error) {
result, err := html.Extract(data)
if err == nil {
return result, nil
}
if strings.Contains(err.Error(), "encoding detection failed") {
cfg := html.DefaultConfig()
cfg.Encoding = fallback
return html.Extract(data, cfg)
}
return nil, err
}
func main() {
// Имитация HTML в кодировке GBK с неизвестным происхождением (без meta charset)
data := []byte{0xbb, 0xb9, 0xca, 0xc7, 0xd3, 0xd0, 0xd2, 0xbb, 0xb8, 0xf6}
result, err := extractWithFallback(data, "gbk")
if err != nil {
log.Fatal(err)
}
fmt.Printf("Заголовок: %s\nДлина текста: %d\n", result.Title, len(result.Text))
}