Парсинг HTML в Go (Golang)

Парсинг HTML в Go (Golang): инструменты и практические примеры

Go (Golang) — это компилируемый, статически типизированный язык, созданный в Google. Благодаря высокой производительности, встроенной поддержке конкурентности и богатой стандартной библиотеке, Go стал одним из лучших языков для веб-скрапинга и парсинга HTML. В этой статье мы разберём основные библиотеки для работы с HTML-документами в Go, приведём примеры кода и сравним их возможности.

Зачем парсить HTML в Go?

Парсинг HTML необходим для извлечения данных с веб-страниц: новостей, цен, контактной информации, результатов поиска. Go отлично подходит для этой задачи благодаря:

Высокой скорости выполнения (компилируется в машинный код)
Лёгкой работе с сетью (встроенный пакет net/http)
Простоте разбора DOM-дерева через специализированные библиотеки
Отличной поддержке многопоточности (горутины и каналы)

Основные библиотеки для парсинга HTML в Go

1. `net/html` — стандартная библиотека

golang.org/x/net/html — это низкоуровневый токенизатор и парсер HTML из стандартной библиотеки Go. Он предоставляет полный контроль над процессом разбора, но требует написания большего количества кода.

Пример: извлечение всех ссылок (<a href>) из HTML-документа.

package main

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

func main() {
    resp, err := http.Get("https://example.com")
    if err != nil {
        log.Fatal(err)
    }
    defer resp.Body.Close()

    doc, err := html.Parse(resp.Body)
    if err != nil {
        log.Fatal(err)
    }

    var f func(*html.Node)
    f = func(n *html.Node) {
        if n.Type == html.ElementNode && n.Data == "a" {
            for _, attr := range n.Attr {
                if attr.Key == "href" {
                    fmt.Println(attr.Val)
                }
            }
        }
        for c := n.FirstChild; c != nil; c = c.NextSibling {
            f(c)
        }
    }
    f(doc)
}

Плюсы: не требует установки сторонних пакетов, полный контроль. Минусы: много шаблонного кода, неудобно для сложных селекторов.

2. `goquery` — jQuery-подобный синтаксис

github.com/PuerkitoBio/goquery — самая популярная библиотека для парсинга HTML в Go. Она предоставляет API, похожий на jQuery: Find(), Each(), Attr(), Text().

Пример: парсинг заголовков новостей с сайта.

package main

import (
    "fmt"
    "github.com/PuerkitoBio/goquery"
    "log"
    "net/http"
)

func main() {
    resp, err := http.Get("https://habr.com/ru/news/")
    if err != nil {
        log.Fatal(err)
    }
    defer resp.Body.Close()

    doc, err := goquery.NewDocumentFromReader(resp.Body)
    if err != nil {
        log.Fatal(err)
    }

    doc.Find("h2.tm-article-snippet__title").Each(func(i int, s *goquery.Selection) {
        title := s.Find("a").Text()
        link, _ := s.Find("a").Attr("href")
        fmt.Printf("%d. %s\n   Ссылка: %s\n", i+1, title, link)
    })
}

Плюсы: простой синтаксис, поддержка CSS-селекторов, богатая документация. Минусы: не подходит для очень больших документов (загружает всё в память).

3. `colly` — фреймворк для веб-скрапинга

github.com/gocolly/colly — это мощный фреймворк для сбора данных. Он включает парсинг HTML (на основе goquery), управление очередью запросов, обработку cookies, лимиты скорости и многое другое.

Пример: сбор всех ссылок с первой страницы сайта с задержкой между запросами.

package main

import (
    "fmt"
    "github.com/gocolly/colly/v2"
)

func main() {
    c := colly.NewCollector(
        colly.AllowedDomains("example.com"),
    )

    c.OnHTML("a[href]", func(e *colly.HTMLElement) {
        link := e.Attr("href")
        fmt.Println("Найдена ссылка:", link)
    })

    c.OnRequest(func(r *colly.Request) {
        fmt.Println("Посещаем:", r.URL)
    })

    c.Visit("https://example.com")
}

Плюсы: готовое решение для сложных проектов, встроенная обработка ошибок, поддержка пагинации. Ми