zhihu-go 源码解析：用 goquery 解析 HTML_html/css_WEB-ITnose
因为知乎没有开发 API，所以只能通过模拟浏览器操作的方式获取数据，这些数据有两种格式：普通的 HTML 文档和某些 Ajax 接口返回的 JSON（返回的数据实际上也是 HTML）。其实也就是爬虫了，抓取网页，然后提取数据。一般来说从 HTML 文档提取数据有这些做法：正则、XPath、CSS 选择器等。对我来说，正则写起来比较复杂，代码可读性差而且维护起来麻烦；XPath 没有详细了解，不过用起来应该不难，而且 Chrome 浏览器可以直接提取 XPath. zhihu-go 里用的是选择器的方式，使用了 goquery.
goquery 是 “a little like that j-thing, only in Go”，也就是用 jQuery 的方式去操作 DOM. jQuery 大家都很熟，API 也很简单明了。本文不详细介绍 goquery，下面选几个场景（API）讲讲在 zhihu-go 里的应用。
创建 Document 对象
goquery 暴露了两个结构体： Document和 Selection. Document表示一个 HTML 文档， Selection用于像 jQuery 一样操作，支持链式调用。goquery 需要指定一个 HTML 文档才能继续后续的操作，有以下几个构造方式：
- NewDocumentFromNode(root *html.Node) *Document: 传入 *html.Node对象，也就是根节点。
- NewDocument(url string) (*Document, error): 传入 URL，内部用 http.Get获取网页。
- NewDocumentFromReader(r io.Reader) (*Document, error): 传入 io.Reader，内部从 reader 中读取内容并解析。
- NewDocumentFromResponse(res *http.Response) (*Document, error): 传入 HTTP 响应，内部拿到 res.Body(实现了 io.Reader) 后的处理方式类似 NewDocumentFromReader.
因为知乎的页面需要登录才能访问（还需要伪造请求头），而且我们并不想手动解析 HTML 来获取 *html.Node，最后用到了另外两个构造方法。大致的使用场景是：
- 请求 HTML 页面（如问题页面），调用 NewDocumentFromResponse
- 请求 Ajax 接口，返回的 JSON 数据里是一些 HTML 片段，用 NewDocumentFromReader，其中 r = strings.NewReader(html)
为了方便举例说明，下文采用这个定义： var doc *goquery.Document.
查找到指定节点
Selection有一系列类似 jQuery 的方法， Document结构体内嵌了 *Selection，因此也能直接调用这些方法。主要的方法是 Selection.Find(selector string)，传入一个选择器，返回一个新的，匹配到的 *Selection，所以能够链式调用。
比如在用户主页（如 黄继新），要获取用户的 BIO. 首先用 Chrome 定位到对应的 HTML：
和知乎在一起 对应的 go 代码就是：
doc.Find("span.bio") 如果一个选择器对应多个结果，可以使用 First(), Last(), Eq(index int), Slice(start, end int)这些方法进一步定位。
还是在用户主页，在用户资料栏的底下，从左往右展示了提问数、回答数、文章数、收藏数和公共编辑的次数。查看 HTML 源码后发现这几项的 class 是一样的，所以只能通过下标索引来区分。
先看 HTML 源码：
如果要定位找到回答数，对应的 go 代码是：
doc.Find("div.profile-navbar").Find("span.num").Eq(1) 属性操作
经常需要获取一个标签的内容和某些属性值，使用 goquery 可以很容易做到。
继续上面获取回答数的例子，用 Text() string方法可以获取标签内的文本内容，其中包含所有子标签。
text := doc.Find("div.profile-navbar").Find("span.num").Eq(1).Text() // "785" 需要注意的是， Text()方法返回的字符串，可能前后有很多空白字符，可以视情况做清除。
获取属性值也很容易，有两个方法：
- Attr(attrName string) (val string, exists bool): 返回属性值和该属性是否存在，类似从 map中取值
- AttrOr(attrName, defaultValue string) string: 和上一个方法类似，区别在于如果属性不存在，则返回给定的默认值
常见的使用场景就是获取一个 a 标签的链接。继续上面获取回答的例子，如果想要得到用户回答的主页，可以这么做：
href, _ := doc.Find("div.profile-navbar").Find("a.item").Eq(1).Attr("href") 还有其他设置属性、操作 class 的方法，就不展开讨论了。
迭代
很多场景需要返回列表数据，比如问题的关注者列表、所有回答，某个答案的点赞的用户列表等。这种情况下一般需要用到迭代，遍历所有的同类节点，做某些操作。
goquery 提供了三个用于迭代的方法，都接受一个匿名函数作为参数：
- Each(f func(int, *Selection)) *Selection: 其中函数 f的第一个参数是当前的下标，第二个参数是当前的节点
- EachWithBreak(f func(int, *Selection) bool) *Selection: 和 Each类似，增加了中途跳出循环的能力，当 f返回 false时结束迭代
- Map(f func(int, *Selection) string) (result []string): f的参数与上面一样，返回一个 string 类型，最终返回 []string.
比如获取一个收藏夹（如 黄继新的收藏：关于知乎的思考）下所有的问题，可以这么做（见 zhihu-go/collections.go）：
func getQuestionsFromDoc(doc *goquery.Document) []*Question { questions := make([]*Question, 0, pageSize) items := doc.Find("div#zh-list-answer-wrap").Find("h2.zm-item-title") items.Each(func(index int, sel *goquery.Selection) { a := sel.Find("a") qTitle := strip(a.Text()) qHref, _ := a.Attr("href") thisQuestion := NewQuestion(makeZhihuLink(qHref), qTitle) questions = append(questions, thisQuestion) }) return questions} EachWithBreak在 zhihu-go 中也有用到，可以参见 Answer.GetVotersN 方法： zhihu-go/answer.go.
删除节点、插入 HTML、导出 HTML
有一个需求是把回答内容输出到 HTML，说白了其实就是修复和清洗 HTML，具体的细节可以看 answer.go 里的 answerSelectionToHtml 函数. 其中用到了一些需要修改文档的操作。
比如，调用 Remove()方法把一个节点删掉：
sel.Find("noscript").Each(func(_ int, tag *goquery.Selection) { tag.Remove() // 把无用的 noscript 去掉}) 在节点后插入一段 HTML:
sel.Find("img").Each(func(_ int, tag *goquery.Selection) { var src string if tag.HasClass("origin_image") { src, _ = tag.Attr("data-original") } else { src, _ = tag.Attr("data-actualsrc") } tag.SetAttr("src", src) if tag.Next().Size() == 0 { tag.AfterHtml("
") // 在 img 标签后插入一个换行 }}) 在标签尾部 append 一段内容：
wrapper := ``doc, _ := goquery.NewDocumentFromReader(strings.NewReader(wrapper))doc.Find("body").AppendSelection(sel) 最终输出为 html 文档：
html, err := doc.Html()
总结
上面的例子基本涵盖了 zhihu-go 中关于 HTML 操作的场景，得益于 goquery 和 jQuery 的 API 风格，实现起来还是非常简单的。