Golang解析HTML表格的方法与实践

在Go语言中，解析HTML表格并高效计算单元格的列索引，可以使用标准库的golang.org/x/net/html包结合遍历逻辑来实现。以下是一个完整的示例，展示如何解析表格并快速确定每个单元格的列索引。

package main

import (
	"fmt"
	"golang.org/x/net/html"
	"strings"
)

// parseTable 解析HTML表格，返回一个二维字符串切片表示表格数据
func parseTable(htmlContent string) ([][]string, error) {
	doc, err := html.Parse(strings.NewReader(htmlContent))
	if err != nil {
		return nil, err
	}

	var table [][]string
	var currentRow []string
	var colIndex int

	// 遍历HTML节点，提取表格数据
	var traverse func(*html.Node)
	traverse = func(n *html.Node) {
		if n.Type == html.ElementNode {
			switch n.Data {
			case "tr":
				// 开始新行
				if currentRow != nil {
					table = append(table, currentRow)
				}
				currentRow = make([]string, 0)
				colIndex = 0 // 重置列索引
			case "td", "th":
				// 处理单元格，计算列索引
				if n.FirstChild != nil && n.FirstChild.Type == html.TextNode {
					cellText := strings.TrimSpace(n.FirstChild.Data)
					currentRow = append(currentRow, cellText)
					fmt.Printf("单元格内容: %s, 列索引: %d\n", cellText, colIndex)
					colIndex++
				}
			}
		}
		for c := n.FirstChild; c != nil; c = c.NextSibling {
			traverse(c)
		}
	}

	traverse(doc)
	// 添加最后一行（如果有）
	if currentRow != nil {
		table = append(table, currentRow)
	}
	return table, nil
}

// 示例：计算单元格列索引的优化方法
func computeColumnIndex(row []string, targetCell string) int {
	for idx, cell := range row {
		if cell == targetCell {
			return idx
		}
	}
	return -1 // 未找到
}

func main() {
	htmlTable := `
	<table>
		<tr>
			<th>姓名</th>
			<th>年龄</th>
			<th>城市</th>
		</tr>
		<tr>
			<td>张三</td>
			<td>25</td>
			<td>北京</td>
		</tr>
		<tr>
			<td>李四</td>
			<td>30</td>
			<td>上海</td>
		</tr>
	</table>`

	tableData, err := parseTable(htmlTable)
	if err != nil {
		fmt.Printf("解析错误: %v\n", err)
		return
	}

	fmt.Println("解析的表格数据:")
	for i, row := range tableData {
		fmt.Printf("行 %d: %v\n", i, row)
	}

	// 示例：快速查找特定单元格的列索引
	target := "年龄"
	if len(tableData) > 0 {
		colIdx := computeColumnIndex(tableData[0], target)
		fmt.Printf("'%s' 的列索引: %d\n", target, colIdx)
	}
}

关键点说明:

• 使用golang.org/x/net/html解析HTML，遍历<tr>和<td>/<th>节点。
• 在解析过程中维护colIndex变量，每遇到一个单元格就递增，直接得到列索引。
• computeColumnIndex函数通过遍历行数据快速查找特定内容的列索引，时间复杂度为O(n)，适用于大多数场景。

运行输出示例:

单元格内容: 姓名, 列索引: 0
单元格内容: 年龄, 列索引: 1
单元格内容: 城市, 列索引: 2
单元格内容: 张三, 列索引: 0
单元格内容: 25, 列索引: 1
单元格内容: 北京, 列索引: 2
单元格内容: 李四, 列索引: 0
单元格内容: 30, 列索引: 1
单元格内容: 上海, 列索引: 2
解析的表格数据:
行 0: [姓名 年龄 城市]
行 1: [张三 25 北京]
行 2: [李四 30 上海]
'年龄' 的列索引: 1

这种方法在解析时直接记录列索引，避免了后续重复计算，提高了效率。对于复杂表格（如包含colspan的单元格），需要额外处理跨列情况，但基本逻辑类似。