媒体提取实战

除了文本、图片和链接，库还能从 HTML 中提取视频和音频资源。本指南详解提取机制与字段含义。

提取概览

调用 Extract 时，视频和音频提取在 DOM 解析之后、内容格式化之前执行。结果分别存入 Result.Videos 和 Result.Audios。

text

DOM 解析 → 视频提取（3 源） → 音频提取（2 源） → 格式化 → Result

视频提取（三个来源）

视频提取按以下顺序执行，每个 URL 经过去重，不会重复收录：

顺序	来源	扫描对象	说明
①	原始 HTML 扫描	`iframe`/`embed`/`object` 的 `src`/`data` 属性	在安全清洗之前执行，确保被清洗的嵌入标签不丢失
②	DOM 遍历	`video`/`iframe`/`embed`/`object` 元素	遍历解析后的 DOM 树，读取元素属性和 `<source>` 子元素
③	正则兜底	视频文件 URL	扫描 HTML 文本中的裸视频链接

为什么要扫描原始 HTML

iframe、embed、object 等嵌入标签在安全清洗阶段可能被移除。库在清洗之前先从原始 HTML 字符串中提取这些标签的媒体 URL，确保嵌入视频不会因清洗而丢失。

正则兜底支持的视频扩展名

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

正则仅匹配 http:// 或 https:// 开头的完整 URL，避免误匹配文件名片段。

音频提取（两个来源）

顺序	来源	扫描对象	说明
①	DOM 遍历	`audio` 元素及 `<source>` 子元素	读取 `src` 属性或子 `<source>` 的 `src`/`type`
②	正则兜底	音频文件 URL	扫描 HTML 文本中的裸音频链接

正则兜底支持的音频扩展名

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

.ogg 扩展名同时出现在视频和音频列表中

OGG 是一种容器格式，可承载视频（Theora）或音频（Vorbis/Opus）。扩展名 .ogg 的 URL 会被检测为既是视频也是音频，可能同时出现在 Result.Videos 和 Result.Audios 中。仅音频变体 .oga 只出现在音频列表中。

字段详解

VideoInfo

字段	类型	说明
`URL`	`string`	视频源地址
`Type`	`string`	检测到的类型：MIME 类型（如 `video/mp4`）或 `embed`（iframe 嵌入页面）
`Poster`	`string`	`<video>` 的 `poster` 属性（封面图 URL）
`Width`	`string`	宽度属性（原始字符串，未解析为数字）
`Height`	`string`	高度属性（原始字符串，未解析为数字）
`Duration`	`string`	时长属性（原始字符串，未解析为数字）

AudioInfo

字段	类型	说明
`URL`	`string`	音频源地址
`Type`	`string`	检测到的类型：MIME 类型（如 `audio/mpeg`）
`Duration`	`string`	时长属性（原始字符串，未解析为数字）

Type 字段的取值规则

Type 区分两类视频来源：

Type 值	含义	产生场景
`embed`	iframe 引用的视频页面	YouTube、Vimeo、优酷、Bilibili 等嵌入式播放器
MIME 类型（如 `video/mp4`）	视频文件容器	正则兜底匹配的裸 URL，或 `<source type="...">` 属性值
空字符串	未检测到类型	`<video src="...">` 直接指定源（无 `<source>` 子元素时）

支持 embed 检测的嵌入平台：

平台	URL 模式
YouTube	`youtube.com/embed/`、`youtube-nocookie.com/embed/`
Vimeo	`player.vimeo.com/video/`
Dailymotion	`dailymotion.com/embed/`
优酷	`player.youku.com/`
腾讯视频	`v.qq.com/`
Bilibili	`bilibili.com/`

完整示例

package main

import (
    "fmt"
    "log"

    "github.com/cybergodev/html"
)

func main() {
    // 包含三种媒体场景的 HTML：
    // 1. iframe YouTube 嵌入（Type = "embed"）
    // 2. 原生视频带 <source> 子元素（Type 来自 type 属性）
    // 3. 音频带 <source> 子元素（Type 来自 type 属性）
    data := []byte(`<html><body><article>
        <h1>多媒体页面</h1>
        <p>本文介绍视频和音频技术。</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("视频数量：%d\n", len(result.Videos))
    // 视频数量：2

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

    fmt.Printf("\n音频数量：%d\n", len(result.Audios))
    // 音频数量：1

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

配置控制

Preserve* 选项

PreserveVideos 和 PreserveAudios 控制 Extract 结果中是否包含媒体：

配置字段	默认值	作用
`PreserveVideos`	`true`	为 `false` 时 `Result.Videos` 为空切片
`PreserveAudios`	`true`	为 `false` 时 `Result.Audios` 为空切片

cfg := html.DefaultConfig()

// 禁用视频和音频提取（仅保留文本、图片、链接）
cfg.PreserveVideos = false
cfg.PreserveAudios = false

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

Preserve* 与 Include* 的区别

两组配置独立工作，控制不同的 API：

配置组	控制的 API	说明
`PreserveVideos`/`PreserveAudios`	`Extract`	控制 `Result.Videos`/`Result.Audios` 是否填充
`IncludeVideos`/`IncludeAudios`	`ExtractAllLinks`	控制链接枚举中是否包含视频/音频 URL

两者独立

关闭 PreserveVideos 不影响 ExtractAllLinks 中的 IncludeVideos，反之亦然。根据使用的 API 配置对应的选项。

TextOnlyConfig 性能预设

仅需文本时，TextOnlyConfig() 已禁用所有 Preserve* 选项，无需手动设置：

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

result, err := html.Extract(data, cfg)
// 跳过所有媒体提取，最佳性能

下一步

内容提取实战 - 提取流程与文章识别
输出格式实战 - 纯文本、Markdown、JSON 对比
API 参考：数据类型 - VideoInfo/AudioInfo 完整定义

媒体提取实战 ​

提取概览 ​

视频提取（三个来源） ​

正则兜底支持的视频扩展名 ​

音频提取（两个来源） ​

正则兜底支持的音频扩展名 ​

字段详解 ​

VideoInfo ​

AudioInfo ​

Type 字段的取值规则 ​

完整示例 ​

配置控制 ​

Preserve* 选项 ​

Preserve* 与 Include* 的区别 ​

TextOnlyConfig 性能预设 ​

下一步 ​