Go goquery Text 为什么包含子节点中的全部文字

我第一次用 goquery 读取文章卡片标题时，选中的是外层容器，结果拿到的却不只是卡片自己的那一行，而是标题、摘要和嵌套标签里的文字拼在一起。这个结果并不是选择器失效，而是 Selection.Text() 的定义本来就包含后代节点：它会从选中的节点开始递归访问子树，只把遇到的文本节点追加到字符串中。

官方地址：https://github.com/PuerkitoBio/goquery

所以，标题《Go goquery Text 为什么包含子节点中的全部文字》的直接答案是：你选中的元素是一个父节点，Text() 取的是这棵子树的文本内容，不是元素标签直属的那一层文字。要改变结果，应该缩小选择器，或者改用带文本策略的 API。

把 Text() 理解成“读取选中节点及其后代的纯文本”就不会意外。它不会返回 HTML 标签，也不会只保留父元素的直接文本；多个选中节点还会继续按选择顺序合并。

Text 的选择边界其实是整棵子树

goquery 的选择结果是一个 *Selection，其中可以包含一个或多个 HTML 节点。调用 Selection.Text() 时，库会遍历选择中的每个节点；遇到文本节点就写入结果，遇到元素节点则继续访问它的子节点。因此，父元素、子元素和文字之间是“选择边界—递归读取—文本汇总”的关系。

例如，下面的 HTML 中，article 是父节点，h2、p 和 strong 都在它的后代树里：

Go 入门
  
掌握 goquery 的文本提取

此时选中 .card，目标是整个卡片的可见文本；选中 .card h2，目标才收窄为标题。真正决定范围的是选择器，Text() 只忠实处理这个范围内的文本节点。

为什么它不会只返回父元素直属文字

HTML 元素通常把文字放在文本节点中，而不是放在元素对象的某个“单行字段”里。父元素的直接文字、子元素中的文字，最终都属于这棵 DOM 子树。goquery 的方法名虽然简短，但语义更接近“把选中节点及后代的文字内容合并起来”。

这个行为也解释了两个常见误会：

• 它不会把
  这样的标签文本返回出来，标签只是遍历边界；
• 它不会替你理解“标题”和“摘要”的业务层级，父元素里有什么文本节点，就会按文档顺序汇总什么。

如果目标是标题，不要先选卡片再期待 Text() 自动猜出标题字段。把选择器直接写到标题节点，通常比拿到整块文本后再切字符串更稳：

package main

import (
  "fmt"
  "strings"

  "github.com/PuerkitoBio/goquery"
)

func readHeading(htmlText string) (string, error) {
  // 从字符串创建文档；真实抓取时应先自行处理 HTTP 响应和关闭 Body。
  doc, err := goquery.NewDocumentFromReader(strings.NewReader(htmlText))
  if err != nil {
    return "", err
  }

  // 选择器直接落到 h2，避免把卡片中的摘要和强调文字一并取出。
  return doc.Find("article.card h2").First().Text(), nil
}

func main() {
  // 示例只展示调用边界，不把本地运行输出当作文章证据。
  title, err := readHeading(`
Go 入门
摘要
`)
  if err != nil {
    panic(err)
  }
  fmt.Println(title)
}

多个选中节点为什么会继续拼接

还有一种更容易被忽略的情况：选择器本身匹配了多个节点。doc.Find("li").Text() 并不是“每个 li 返回一个字符串”，而是把选择中的节点依次交给同一个文本汇总过程。默认的 Selection.Text() 不会自动插入换行或分隔符。

因此，列表提取时要先明确输出协议。保留每项边界，就逐项遍历；确实要合成一段话，再接受合并语义：

// 逐项读取，保留每个 li 的业务边界。
doc.Find("ul.tags li").Each(func(index int, item *goquery.Selection) {
  // 单个 li 仍然会包含其后代文字，但不会吞掉其他 li。
  text := strings.TrimSpace(item.Text())
  if text != "" {
    fmt.Printf("%d: %s\n", index+1, text)
  }
})

如果结果像“第一项第二项第三项”，优先检查是否把多个节点直接调用了一次 Text()。这不是 goquery 丢了内容，而是 API 没有替你决定项目之间应该用空格、换行还是 JSON 数组表达。

需要分隔符时使用可控的 Text API

当前 goquery 还提供包级函数 goquery.Text，它的默认行为与选择的 Selection.Text() 相近，但可以通过 TextOptions 调整不同文本节点的连接方式。比如把卡片标题和段落合成更适合阅读的一行，可以设置空格分隔并修剪每个文本节点两侧的空白。

package main

import (
  "fmt"
  "strings"

  "github.com/PuerkitoBio/goquery"
  "golang.org/x/net/html"
)

func readableText(sel *goquery.Selection) string {
  // Separator 负责文本节点之间的连接；Trim 避免缩进空白进入结果。
  return goquery.Text(sel, &goquery.TextOptions{
    Separator: " ",
    Trim:      true,
    Keep: func(node *html.Node) bool {
      // 过滤脚本和样式节点，避免把非正文内容当作文章文本。
      parent := node.Parent
      return parent == nil || parent.Type != html.ElementNode ||
        (parent.Data != "script" && parent.Data != "style")
    },
  })
}

func main() {
  // 文本来源仍由选择器决定，选中 card 就会覆盖它的后代文本。
  doc, err := goquery.NewDocumentFromReader(strings.NewReader(`
Go 入门
掌握 goquery
`))
  if err != nil {
    panic(err)
  }
  fmt.Println(readableText(doc.Find("article.card")))
}

Separator、Trim 和 Keep 解决的是文本拼接策略，不会把父选择自动变成“只取直属文字”。如果选择器仍然是外层卡片，得到的仍是卡片后代中符合 Keep 条件的文本。

保留 HTML 结构还是提取纯文本

排查到这里，我通常会先问自己：下游需要的是阅读文本，还是还要知道标签结构？如果要继续判断链接、强调标签或嵌套字段，应该保留节点或使用 Html()；如果只要搜索索引、摘要或日志字符串，才使用 Text()，并明确空白和分隔符规则。

最终可以记成一句话：Text() 的“全部文字”不是额外抓取，而是选中节点子树的自然结果。选择器负责边界，Text API 负责汇总，业务代码负责决定字段和分隔规则。

相关问题

为什么 Text 的结果里没有 HTML 标签？

因为它只写入文本节点的数据，元素标签只是遍历结构，不会作为字符串内容追加。

怎么避免 script 和 style 的内容进入结果？

用更窄的选择器，或使用带 Keep 函数的 goquery.Text，按父节点过滤脚本和样式文本节点。

为什么多个 li 拼成一行？

多个节点被放进同一个 Selection 后，默认 Text 不负责推断项目分隔符；需要保留边界时逐项读取，需要连接时显式设置 Separator。