如何在 Golang 中提取 HTML 字符串中所有的文本内容并忽略标签-Golang-PHP中文网

最可靠的方法是使用 golang.org/x/net/html 包解析 html 并递归提取文本节点内容，正确处理实体解码、嵌套结构和边界情况，避免正则匹配的不可靠性。

如何在 golang 中提取 html 字符串中所有的文本内容并忽略标签

用 `golang.org/x/net/html` 解析并递归提取文本最可靠

正则匹配 HTML 标签在 Go 里看似简单，但实际会漏掉注释、CDATA、自闭合标签嵌套、属性中含 等边界情况，根本不可靠。真正安全的做法是走标准 HTML 解析器路径。

推荐使用官方维护的 golang.org/x/net/html 包，它能正确处理实体解码、命名空间、嵌套结构和各种边缘 case。

先用 html.Parse 将字符串转为文档树（*html.Node）
写一个递归函数，只收集 html.TextNode 类型节点的内容
对每个文本节点调用 strings.TrimSpace 去首尾空白（可选，取决于是否需要保留换行缩进）
跳过 html.CommentNode 和 html.DoctypeNode，避免把  当成正文

`strings.ReplaceAll` + 正则只能用于“已知干净”的简单场景

如果你确定输入 HTML 是人工生成、无嵌套、无 JS/CSS、无实体编码（比如），且只是临时脚本快速提取，可以考虑正则辅助清理：

先用 strings.ReplaceAll(htmlStr, " ", " ") 手动替换常见实体
再用 regexp.MustCompile(`]*>`).ReplaceAllString(htmlStr, "") 删标签
最后 strings.Fields 拆词并 strings.Join 拼空格——但这会彻底抹平所有格式，连段落分隔都消失

这种做法在真实网页抓取中大概率出错：遇到 <script>console.log("<div>")</script> 就直接崩。

Alibabacloud Sdk Client Initialization For Golang

初始化并管理阿里云SDK Go 客户端，涵盖 sync.Once 单例、goroutine 安全、endpoint 与 region 配置、VPC 端点及调试。

下载

注意 `html.Node.DataAtom` 和 `html.Node.Data` 的区别

遍历节点时容易混淆这两个字段：

node.Type == html.TextNode 时，有效文本在 node.Data，不是 node.DataAtom
node.DataAtom 只对元素节点（如 html.DivAtom）有意义，是预计算的原子标识，文本节点的 DataAtom 恒为 0

示例关键片段：

func extractText(n *html.Node) string {
    if n.Type == html.TextNode {
        return html.UnescapeString(strings.TrimSpace(n.Data))
    }
    var text strings.Builder
    for c := n.FirstChild; c != nil; c = c.NextSibling {
        text.WriteString(extractText(c))
        if c.Type == html.TextNode && c.NextSibling != nil && c.NextSibling.Type == html.TextNode {
            text.WriteString(" ") // 防止相邻文本节点粘连
        }
    }
    return text.String()
}

性能敏感时避免重复解析或深递归

如果要高频处理大量 HTML 片段（比如日志清洗），注意两点：

不要每次调用都新建 strings.NewReader + html.Parse —— 解析本身开销不小；可考虑复用 html.Tokenizer 流式处理
递归过深可能触发 goroutine stack overflow（尤其畸形 HTML 有千层嵌套），改用显式栈模拟更稳妥
若只需纯文本且不关心结构，golang.org/x/net/html/charset 还能帮你自动检测并转换编码，避免乱码

真正难的不是“怎么拿文本”，而是“怎么拿得既准又稳还快”——大部分坑都在实体处理、编码识别和异常 HTML 容错上。