正文内容
`) // 大多数场景：直接用默认配置 p1, _ := html.New() defer p1.Close() r1, _ := p1.Extract(data) fmt.Println(r1.Title) // 只需要纯文本（如搜索引擎索引） p2, _ := html.New(html.TextOnlyConfig()) defer p2.Close() // 输出 Markdown（如 CMS 迁移） p3, _ := html.New(html.MarkdownConfig()) defer p3.Close() md, _ := p3.ExtractToMarkdown(data) fmt.Println(md) } ``` :::tip 从预设开始 不确定时，从 `DefaultConfig()` 开始，按需调整个别字段。预设之间可以组合——先取一个预设，再覆盖字段： ::: ```go cfg := html.HighSecurityConfig() cfg.PreserveImages = false // 在高安全基础上额外关闭图片 processor, _ := html.New(cfg) ``` ## 六大类字段导览 ### 资源管理 控制内存使用和性能。日常开发通常不需要调整。 | 字段 | 默认值 | 说明 | |------|--------|------| | `MaxInputSize` | 50 MB | 最大输入大小，防止内存耗尽 | | `MaxCacheEntries` | 2000 | 缓存条目数上限；设 0 禁用缓存 | | `CacheTTL` | 1 小时 | 缓存存活时间 | | `CacheCleanup` | 5 分钟 | 后台清理过期缓存间隔 | | `WorkerPoolSize` | 4 | 批量处理并发数（1–256） | | `ProcessingTimeout` | 30 秒 | 单文档处理超时；设 0 不限时 | :::warning 缓存仅对 Processor 实例生效 包级函数（如 `html.Extract`）使用池化 Processor，每次调用后清空缓存。需要缓存请用 `html.New()` 创建独立 Processor。详见 [Processor 复用与缓存](../performance/processor-cache)。 ::: ### 安全 安全配置是生产环境必须关注的重点。完整安全特性介绍详见 [安全概述](../security/)。 | 字段 | 默认值 | 说明 | |------|--------|------| | `EnableSanitization` | `true` | HTML 消毒（移除危险标签/属性） | | `MaxDepth` | 500 | DOM 嵌套深度上限，防止栈溢出 | | `AllowedBaseDir` | `""` | 文件操作沙箱目录；空 = 不限制 | | `Audit` | 禁用 | 安全审计日志配置 | :::warning AllowedBaseDir 处理用户提供文件路径时，务必设置 `AllowedBaseDir`。它通过 OS 文件句柄解析真实路径（防符号链接和 Windows junction 绕过）。 ::: ### 内容提取 控制从 HTML 中提取哪些内容。 | 字段 | 默认值 | 说明 | |------|--------|------| | `ExtractArticle` | `true` | 智能文章识别（自动定位主体内容） | | `PreserveImages` | `true` | 保留图片信息 | | `PreserveLinks` | `true` | 保留链接信息 | | `PreserveVideos` | `true` | 提取视频 | | `PreserveAudios` | `true` | 提取音频 | 关闭不需要的媒体类型可提升性能： ```go cfg := html.DefaultConfig() cfg.PreserveVideos = false cfg.PreserveAudios = false // 只提取文本、图片和链接 ``` ### 输出格式 控制文本输出中图片和链接的呈现方式。详见 [输出格式实战](./output-formats)。 | 字段 | 默认值 | 可选值 | |------|--------|--------| | `InlineImageFormat` | `"none"` | `"none"`, `"markdown"`, `"html"`, `"placeholder"` | | `InlineLinkFormat` | `"none"` | `"none"`, `"markdown"`, `"html"` | | `TableFormat` | `"markdown"` | `"markdown"`, `"html"` | | `Encoding` | `""`（自动） | `"utf-8"`, `"gbk"`, `"shift_jis"`, `"windows-1252"` 等 | `Encoding` 留空时自动检测。手动指定可跳过检测步骤提升性能，但仅在确知编码时使用。详见 [编码检测实战](./encoding-detection)。 ### 链接提取 以下字段仅在 `ExtractAllLinks` 中生效，控制提取哪些类型的资源链接。详见 [链接提取实战](./link-extraction)。 | 字段 | 默认值 | 说明 | |------|--------|------| | `ResolveRelativeURLs` | `true` | 将相对 URL 解析为绝对 URL | | `BaseURL` | `""` | 解析基准；空时自动从 HTML 检测 | | `IncludeImages` | `true` | 包含 `