regex - Go:一次通过正则表达式 FindAll 和 ReplaceAll

Question

我正在解析网页以获取标签内的一些值，但我对标签不感兴趣，只对内容感兴趣。

我正在使用 regexp.FindAll 获取所有匹配的表达式(包括标签)，然后使用 ReplaceAll 替换每个子表达式，删除标签。当然，两次运行正则表达式会花费双倍的时间，我想避免这种情况。

有没有办法同时应用这两个函数，或者等效的正则表达式？

当然，我可以创建一个函数来删除标签，但在某些情况下可能会更复杂，因为标签长度可变(如 )，而正则表达式可以解决这个问题。

此处是我的代码的一个简单示例(它不会在 Playground 上运行):http://play.golang.org/p/uGKjzmylSY

func main() {
    res, err := http.Get("http://www.elpais.es")
    if err != nil {
        panic(err)
    }

    body, err := ioutil.ReadAll(res.Body)
    fmt.Println("body: ", len(body), cap(body))
    res.Body.Close()
    if err != nil {
        panic(err)
    }

    r := regexp.MustCompile("<li>(.+)</li>")

    // Find all subexpressions, containing the label <li>
    out := r.FindAll(body, -1)

    for i, v := range out[:10] {
        fmt.Printf("%d: %s\n", i, v)
    }

    //Replace to remove the label.
    out2 := make([][]byte, len(out))
    for i, v := range out {
        out2[i] = r.ReplaceAll(v, []byte("$1"))
    }

    for i, v := range out2[:10] {
        fmt.Printf("%d: %s\n", i, v)
    }
}

顺便说一下，我知道正则表达式不能用来解析 HTML。我只对一些最里面的标签感兴趣，对结构或嵌套不感兴趣，所以我想没关系:)

Answer 1

建议:使用goquery对于该任务，使用起来非常简单，并且可以大大减少代码。示例:

doc, _ := goquery.NewDocument("http://www.elpais.es")
text := doc.Find("li").Slice(10, -1).Text()

关于您的问题，请使用 FindAllSubmatch直接提取匹配项:

r := regexp.MustCompile("<li>(.+)</li>")

// Find all subexpressions, containing the label <li>
out := r.FindAllSubmatch(body, -1)

for i, v := range out[:10] {
    fmt.Printf("%d: %s\n", i, v[1])
}