快速开始

安装

bash

go get github.com/cybergodev/html

要求 Go 1.25+。

基本提取

从 HTML 字节中提取内容：

package main

import (
    "fmt"
    "log"

    "github.com/cybergodev/html"
)

func main() {
    data := []byte(`<html>
        <head><title>Go 语言教程</title></head>
        <body>
            <article>
                <h1>Go 入门指南</h1>
                <p>Go 是一门静态类型的编译语言。</p>
                <img src="gopher.png" alt="Gopher" />
                <a href="https://go.dev">Go 官网</a>
            </article>
        </body>
    </html>`)

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

    fmt.Println("标题：", result.Title)
    fmt.Println("正文：", result.Text)
    fmt.Println("图片数：", len(result.Images))
    fmt.Println("链接数：", len(result.Links))
    fmt.Println("字数：", result.WordCount)
}

输出：

text

标题：Go 语言教程
正文：Go 入门指南

Go 是一门静态类型的编译语言。

Go 官网
图片数：1
链接数：1
字数：6

从文件提取

result, err := html.ExtractFromFile("page.html")
if err != nil {
    log.Fatal(err)
}

使用配置

通过 Config 自定义提取行为：

cfg := html.MarkdownConfig()
p, err := html.New(cfg)
if err != nil {
    log.Fatal(err)
}
defer p.Close()

result, err := p.Extract(data)

预设配置

预设	函数	说明
默认	`DefaultConfig()`	均衡配置，适合通用场景
文本	`TextOnlyConfig()`	仅提取纯文本，禁用媒体
Markdown	`MarkdownConfig()`	优化 Markdown 输出
高安全	`HighSecurityConfig()`	严格限制，完整审计

输出格式

// 纯文本
text, err := html.ExtractText(data)

// Markdown
md, err := html.ExtractToMarkdown(data)

// JSON
jsonBytes, err := html.ExtractToJSON(data)

上下文支持

所有函数都有带 ExtractWithContext 的版本，支持取消和超时：

ctx, cancel := context.WithTimeout(context.Background(), 5*time.Second)
defer cancel()

result, err := html.ExtractWithContext(ctx, data)

关键说明

并发安全

Processor 实例是并发安全的，可以在多个 goroutine 中共享使用：

p, err := html.New(html.DefaultConfig())
if err != nil {
    log.Fatal(err)
}
defer p.Close()

// 多个 goroutine 安全调用
var wg sync.WaitGroup
for _, url := range urls {
    wg.Add(1)
    go func(u string) {
        defer wg.Done()
        result, err := p.Extract(fetchHTML(u))
        // ...
    }(url)
}
wg.Wait()

包级函数同样是并发安全的（内部使用 Processor 池）。

编码检测

库自动检测 HTML 编码，无需手动处理：

// GBK 编码的 HTML，自动检测并正确提取
result, err := html.Extract(gbkData)

// 也可通过 Config.Encoding 手动指定
cfg := html.DefaultConfig()
cfg.Encoding = "gbk"

支持 UTF-8、GBK、Shift_JIS、EUC-JP、Windows-1252 等 15+ 编码。

下一步

内容提取实战 - 深入理解提取流程和文章识别
输出格式选择 - 选择适合场景的输出格式
Processor 复用与缓存 - 高频调用的性能优化
速查表 - 常用 API 速查

快速开始 ​

安装 ​

基本提取 ​

从文件提取 ​

使用配置 ​

预设配置 ​

输出格式 ​

上下文支持 ​

关键说明 ​

并发安全 ​

编码检测 ​

下一步 ​