【Go】net/html で要素を特定する

2023-06-19

こんにちは。Goの話です。
net/htmlでHTMLをパースするとき要素の特定に四苦八苦しました

net/htmlでHTMLをパースする

HTMLのパースには golang.org/x/net/html を使います。例えば次のように使います。


import (
	"fmt"
	"strings"

	"golang.org/x/net/html"
)

func main() {
    // io.Reader へ
	r := strings.NewReader(`<html><head></head><body></body></html>`)

	node, _ := html.Parse(r)
    fmt.Printf("%v\n", node.Type == html.DocumentNode) // true
    fmt.Printf("%v\n", node.FirstChild.Data) // html
}

html.Parse すると Node が返ります。

要素を取得する

シンプルなHTMLです。各要素を取得してみます


r := strings.NewReader(`
<html><head></head><body><a href="/" class="text-lg w-24">cc</a></body></html>
`)

node, _ := html.Parse(r)
fmt.Printf("%v\n", node.FirstChild.Data) // html
fmt.Printf("%v\n", node.FirstChild.FirstChild.Data) // head

bodyElm := node.FirstChild.FirstChild.NextSibling // head の次の要素を取得
fmt.Printf("%v\n", bodyElm.Data) // body

　
ポイントは FirstChild と NextSibling です

FirstChild で、一番初めの子要素を取得できます
NextSibling で、次の要素(兄弟)を取得できます

属性を取得する

class や href を取得します


r := strings.NewReader(`
<html><head></head><body><a href="/" class="text-lg w-24">cc</a></body></html>
`)

node, _ := html.Parse(r)
bodyElm := node.FirstChild.FirstChild.NextSibling // head の次の要素を取得
aElm := bodyElm.FirstChild
fmt.Printf("%v\n", aElm.Data) // a
fmt.Printf("%v\n", aElm.Attr[0].Key) // href
fmt.Printf("%v\n", aElm.Attr[0].Val) // /
fmt.Printf("%v\n", aElm.Attr[1].Key) // class
fmt.Printf("%v\n", aElm.Attr[1].Val) // text-lg w-24

属性は Attr で取得できます。
ちなみにdata属性も同じように取得できました。

終わりに

FirstChild や NextSibling は DOM の Node にインタフェースが似ているようです。

HTMLが複雑なときは goquery など、よりレイヤーの高いAPIと組み合わせて使ったほうがいいかもしれません。

作成日

2023-06-19

更新日

2023-07-10