goquery 增加GBK支持

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/p_3er/article/details/52712685

1、描述

golang默认编码为utf-8,goquery也一样，默认处理的utf-8的页面。但网页中会有各种格式像常见的”gb2312”,”gbk”等。处理这些编码的网页时就会出现头大的乱码.golang没有自带的编解码包，需要借助第三方包处理。

2、simplifiedchinese 处理GBK编码

第三方的编码包很多，我这里使用的是simplifiedchinese。因为simplifiedchinese和其它的相比，它不需要gcc的支持。

package util

import (
    "golang.org/x/text/encoding/simplifiedchinese"
)

func DecodeToGBK(text string) (string, error) {

    dst := make([]byte, len(text)*2)
    tr := simplifiedchinese.GB18030.NewDecoder()
    nDst, _, err := tr.Transform(dst, []byte(text), true)
    if err != nil {
        return text, err
    }

    return string(dst[:nDst]), nil
}

3、goquery简单转换GBK

下面我们在使用goquery的时候，把编码异常的字符转过来就是。
如：

doc, _ := goquery.NewDocument(url)

nameNode := doc.Find("div.name").First()
name, _ := nameNode.Html()
name, _ = util.DecodeToGBK(name)

ageNode := doc.Find("div.age").First()
age, _ := ageNode.Html()
age, _ = util.DecodeToGBK(age)

4、重写goquery 中的方法支持GBK

像上面的编码转换的过程一样，如果多个节点需要编码转换，那么我们的业务代码显得很臃肿，不够优雅。我们可以在goquery Selection对象原有的方法上，增加一些对GBK支持的方法。

原有Html()方法

// Html gets the HTML contents of the first element in the set of matched
// elements. It includes text and comment nodes.
func (s *Selection) Html() (ret string, e error) {
    // Since there is no .innerHtml, the HTML content must be re-created from
    // the nodes using html.Render.
    var buf bytes.Buffer

    if len(s.Nodes) > 0 {
        for c := s.Nodes[0].FirstChild; c != nil; c = c.NextSibling {
            e = html.Render(&buf, c)
            if e != nil {
                return
            }
        }
        ret = buf.String()
    }

    return
}

增加GBK支持的GBKHtml()方法：

func (s *Selection) GBKHtml() (ret string, e error) {
    // Since there is no .innerHtml, the HTML content must be re-created from
    // the nodes using html.Render.
    ret, _ = s.Html()
    ret, _ = util.DecodeToGBK(ret)
    return
}

优雅地使用：

doc, _ := goquery.NewDocument(url)

name, _ := doc.Find("div.name").First().GBKHtml()
age, _ := doc.Find("div.age").First().GBKHtml()