使用 go-colly 解析 HTML，函数返回一个空切片

在使用 go-colly 框架解析 HTML 时，遇到函数返回空切片的问题。分析后发现，这是由于切片标头更新发生在回调函数中，而返回的值是旧的切片标头。为了解决此问题，建议使用切片指针作为函数参数或返回值，以确保切片标头的更新反映在主函数中。通过这种方式，可以正确获取解析后的数据。

我正在使用 colly 框架解析网站，但发生了一些错误。我有一个非常基本的函数 getweeks() 来抓取并返回一些东西，但我得到的是一个空切片。

func getWeeks(c *colly.Collector) []string {
    var wks []string
    c.OnHTML("div.ltbluediv", func(div *colly.HTMLElement) {
        weekName := div.DOM.Find("span").Text()  // a string Week 1, Week 2 etc 
        wks = append(wks, weekName)  // weekName has actual value is not empty
        // If `wks` printed here it shows correctly how the slice gets populated on each iteration
    })
    return wks  // returns []
}

func main() {
    c := colly.NewCollector(
    )

    w := getWeeks(c)
    fmt.Println(w)  // []

    c.OnRequest(func(r *colly.Request) {
        r.Headers.Set("User-Agent", "Mozilla/5.0 (Windows NT 6.1; Win64; x64)")
    })

    c.Visit("target url")

}

正确答案

tl;dr：切片标头在 onhtml 回调内更新，但您在 main 中打印的值是旧的切片标头。您应该使用 *[]string 来代替。

首先，您传递给 c.onhtml 的回调实际上只会在您调用 c.visit 之后运行，因此在 getweeks 之后立即打印 w ，在任何情况下都会显示一个空切片。

但是，即使在 c.visit 之后打印它也会是一个空切片，为什么？

go 中的切片是作为一种数据结构实现的 - 称为切片头（更多信息：1、2）。

当您分配 getweeks 的返回值时，您实际上是在复制切片标头，包括其字段 data、len 和 cap。您可以通过使用 %p 动词打印切片的地址来在 this playground 中看到它（使用其他结构而不是 go-colly 使示例自包含）：

func getweeks(c *foo) []string {
    var wks []string
    c.onhtml("div.ltbluediv", func(text string) {
        weekname := text
        wks = append(wks, weekname)
    })
    fmt.printf("%p\n", &wks)
    return wks
}

func main() {
    c := &foo{}

    w := getweeks(c)

    c.visit("target url")
    fmt.printf("%p\n", &w)

}

打印两个不同的内存地址：

0xc0000ac030
0xc0000ac018

现在，如果您继续在 stack overflow 上查找有关切片和 append 行为的信息，您可能会发现，如果切片具有足够的容量（1、2、3），则不会重新分配后备数组。

但是，即使您通过使用足够的容量初始化 wks 来确保后备数组相同，w 的值仍然是原始切片标头的副本，因此长度为 0。 this playground 对此进行了演示，其中打印：

in getweeks reflect.sliceheader{data:0xc0000121b0, len:0, cap:3}
in callback reflect.sliceheader{data:0xc0000121b0, len:1, cap:3}
in callback reflect.sliceheader{data:0xc0000121b0, len:2, cap:3}
in callback reflect.sliceheader{data:0xc0000121b0, len:3, cap:3}
[]
in main reflect.sliceheader{data:0xc0000121b0, len:0, cap:3}

您可以通过重新切片来调整 w 的长度 (playground)：

c.visit("target url")
w = w[0:3]
fmt.println(w) // [foo bar baz]

但这意味着您需要事先知道不会导致重新分配的合理容量，以及重新切片的最终长度。

相反，返回一个指向切片的指针：

func getweeks(c *colly.collector) *[]string {
    wks := &[]string{}
    c.onhtml("div.ltbluediv", func(div *colly.htmlelement) {
        weekname := div.dom.find("span").text()
        *wks = append(*wks, weekname) 
    })
    return wks
}

或者将指针传递给 getweeks：

func getWeeks(c *colly.Collector, wks *[]string) {
    c.OnHTML("div.ltbluediv", func(div *colly.HTMLElement) {
        weekName := div.DOM.Find("span").Text()
        *wks = append(*wks, weekName)
    })
}

固定演示：https://go.dev/play/p/yhq8YYnkFsv

今天带大家了解了的相关知识，希望对你有所帮助；关于Golang的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~