文章目录
12_四种文本处理
获取澎拜新闻内容
package main
import (
"fmt"
"io"
"net/http"
)
func main() {
url := "https://www.thepaper.cn/"
resp, err := http.Get(url)
if err != nil {
fmt.Println("fetcjh url error:%v", err)
return
}
defer resp.Body.Close()
if resp.StatusCode != http.StatusOK {
fmt.Println("Error status code:%v", resp.StatusCode)
return
}
body, err := io.ReadAll(resp.Body)
if err != nil {
fmt.Println("read content failed:%v", err)
return
}
fmt.Println("body:", string(body))
}
字符串
- Go 语言提供了 strings 标准库用于字符处理函数。如下所示,在标准库 strings 包中,包含字符查找、分割、大小写转换、修剪(trim)、计算字符出现次数等数十个函数。go1.20.2 strings doc
// 判断字符串s 是否包含substr 字符串
func Contains(s, substr string) bool
// 判断字符串s 是否包含chars 字符串中的任一字符
func ContainsAny(s, chars string) bool
// 判断字符串s 是否包含符文数r
func ContainsRune(s string, r rune) bool
// 将字符串s 以空白字符分割,返回一个切片
func Fields(s string) []string
// 将字符串s 以满足f(r)==true 的字符分割,返回一个切片
func FieldsFunc(s string, f func(rune) bool) []string
// 将字符串s 以sep 为分隔符进行分割,分割后字符末尾去掉sep
func Split(s, sep string) []string
- strconv提供类型转化的函数
// 字符串转换为十进制整数
func Atoi(s string) (int, error)
// 字符串转换为某一进制的整数,例如八进制、十六进制
func ParseInt(s string, base int, bitSize int) (i int64, err error)
// 整数转换为字符串
func Itoa(i int) string
// 某一进制的整数转换为字符串,例如八进制整数转换为字符串
func FormatInt(i int64, base int) string
字符编码
- 在 Go 语言中,字符串是默认通过 UTF-8 的形式编码的。
- 目前大多数网站都使用 UTF-8 编码,但其实服务器发送过来的 HTML 文本可能拥有很多编码形式。一些国内的网站就会采用 GB2312 的编码方式。
- 要实现编码的通用性,我们使用官方处理字符集的库:
go get golang.org/x/net/html/charset
go get golang.org/x/text/encoding
封装编码和获取网页内容
package main
import (
"bufio"
"fmt"
"github.com/funbinary/go\_example/pkg/errors"
"golang.org/x/net/html/charset"
"golang.org/x/text/encoding"
"golang.org/x/text/encoding/unicode"
"golang.org/x/text/transform"
"io"
"net/http"
)
func main() {
//url := "https://www.thepaper.cn/"
url := "https://www.chinanews.com.cn/"
body, err := Fetch(url)
if err != nil {
fmt.Println("read content failed:%v", err)
return
}
fmt.Println(string(body))
}
func Fetch(url string) ([]byte, error) {
var e encoding.Encoding
resp, err := http.Get(url)
if err != nil {
return nil, errors.Wrap(err, "fetch url error")
}
defer resp.Body.Close()
if resp.StatusCode != http.StatusOK {
return nil, errors.Errorf("Error status code:%v", resp.StatusCode)
}
r := bufio.NewReader(resp.Body)
e, err = DeterminEncoding(r)
utf8r := transform.NewReader(r, e.NewDecoder())
return io.ReadAll(utf8r)
}
func DeterminEncoding(r \*bufio.Reader) (encoding.Encoding, error) {
bytes, err := r.Peek(1024)
if err != nil {
return unicode.UTF8, err
}
e, \_, \_ := charset.DetermineEncoding(bytes, "")
return e, nil
}
正则表达式
正则表达式是一种描述文本内容组成规律的表示方式,它可以描述或者匹配符合相应规则的字符串。
用途
- 校验数据的有效性
- 搜索
- 替换特定模式的字符串
标准
-
POSIX
- BRE
- ERE
- Linux 和 Mac 在原生集成 GNU 套件(例如 grep 命令)时,遵循了 POSIX 标准,并弱化了 GNU BRE 和 GNU ERE 之间的区别。
- GNU BRE 和 GNU ERE 的差别主要体现在一些语法字符是否需要转义上
# BRE > echo "addf" | grep 'd\{1,3\}' # ERE 需要使用-E参数 > echo "addf" | grep -E 'd{1,3}'
-
PCRE
- perl演进
- 大部分高级语言,包括Go使用
- grep要使用 -P
# 使用 ERE 标准 > echo "11d23a" | grep -E '[[:digit:]]+' # 使用 PCRE 标准 > echo "11d23a" | grep -P '\d+'
获取推荐页面标题
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-aKEIRy1k-1679758861177)(https://assets.b3logfile.com/siyuan/1658627274984/assets/image-20230325230448-leqouxs.png)]
package main
import (
"bufio"
"fmt"
"github.com/funbinary/go\_example/pkg/errors"
"golang.org/x/net/html/charset"
"golang.org/x/text/encoding"
"golang.org/x/text/encoding/unicode"
"golang.org/x/text/transform"
"io"
"net/http"
"regexp"
)
// var headerRe = regexp.MustCompile(`<div class="news\_li"[\s\S]\*?<h2>[\s\S]\*?<a.\*?target="\_blank">([\s\S]\*?)</a>`)
var headerRe = regexp.MustCompile(`<div class="small\_cardcontent\_\_BTALp"[\s\S]\*?<h2>([\s\S]\*?)</h2>`)
func main() {
url := "https://www.thepaper.cn/"
body, err := Fetch(url)
if err != nil {
fmt.Println("read content failed:%v", err)
return
}
matches := headerRe.FindAllSubmatch(body, -1)
for \_, m := range matches {
fmt.Println("fetch card news:", string(m[1]))
}
}
func Fetch(url string) ([]byte, error) {
var e encoding.Encoding
resp, err := http.Get(url)
if err != nil {
return nil, errors.Wrap(err, "fetch url error")
}
defer resp.Body.Close()
if resp.StatusCode != http.StatusOK {
return nil, errors.Errorf("Error status code:%v", resp.StatusCode)
}
r := bufio.NewReader(resp.Body)
e, err = DeterminEncoding(r)
utf8r := transform.NewReader(r, e.NewDecoder())
return io.ReadAll(utf8r)
}
func DeterminEncoding(r \*bufio.Reader) (encoding.Encoding, error) {
![img](https://img-blog.csdnimg.cn/img_convert/5a2de1e6a30abb72834bdba1b5e29c2c.png)
![img](https://img-blog.csdnimg.cn/img_convert/446bebfeacd19caf88db5d67849119cb.png)
![img](https://img-blog.csdnimg.cn/img_convert/ce6b053301b290b9d297f945578bde70.png)
**既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上Go语言开发知识点,真正体系化!**
oder())
return io.ReadAll(utf8r)
}
func DeterminEncoding(r \*bufio.Reader) (encoding.Encoding, error) {
[外链图片转存中...(img-ZugudgRo-1726037357044)]
[外链图片转存中...(img-s7IUv613-1726037357045)]
[外链图片转存中...(img-zHCZTu5l-1726037357045)]
**既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上Go语言开发知识点,真正体系化!**