fanqie-go/internal/fqapi/content_parser.go

package fqapi

import (
	"fanqie/internal/common"
	"fanqie/internal/config"
	"regexp"
	"strings"

	"github.com/PuerkitoBio/goquery"
)

var (
	parserLogger = common.NewLogger("content_parser", "INFO", "")
)

// ContentParser 内容解析器
type ContentParser struct {
	cfg config.ContentConfig
}

// NewContentParser 创建内容解析器
func NewContentParser() *ContentParser {
	return &ContentParser{
		cfg: getContentConfig(),
	}
}

// Parse 解析内容（URL参数优先于配置）
func (p *ContentParser) Parse(content string, textMode bool, imageMode bool) string {
	// 1. 清理XML声明和DOCTYPE
	content = p.cleanXMLDeclaration(content)

	// 2. 根据配置移除章节标题
	if p.cfg.RemoveChapterTitle {
		content = p.removeChapterTitle(content)
	}

	// 3. 根据配置处理图片描述
	if p.cfg.RemoveImageDesc {
		content = p.removeImageDesc(content)
	}

	// 4. 根据参数移除图片
	// imageMode=false 时移除（URL 参数与配置 remove_images 已在调用方合成：URL 优先）
	if !imageMode {
		content = p.removeImages(content)
	}

	// 5. 根据参数处理内容模式
	// textMode=true 时提取纯文本（URL 参数与配置 remove_html_tags 已在调用方合成：URL 优先）
	if textMode {
		return p.extractText(content)
	}

	// 6. HTML模式处理
	return p.processHTMLMode(content)
}

// cleanXMLDeclaration 清理XML声明
func (p *ContentParser) cleanXMLDeclaration(content string) string {
	content = regexp.MustCompile(`<\?xml[^>]*\?>`).ReplaceAllString(content, "")
	content = regexp.MustCompile(`<!DOCTYPE[^>]*>`).ReplaceAllString(content, "")
	return strings.TrimSpace(content)
}

// removeChapterTitle 移除章节标题
func (p *ContentParser) removeChapterTitle(content string) string {
	// 移除 h1 和 h2 标签中的章节标题
	content = regexp.MustCompile(`(?si)<h[12][^>]*class="[^"]*chapter[Tt]itle[^"]*"[^>]*>.*?</h[12]>`).ReplaceAllString(content, "")
	// 同时移除 <title> 标签
	content = regexp.MustCompile(`(?si)<title>.*?</title>`).ReplaceAllString(content, "")
	return content
}

// removeImageDesc 移除图片描述
func (p *ContentParser) removeImageDesc(content string) string {
	return regexp.MustCompile(`(?s)<p[^>]*class="pictureDesc"[^>]*>.*?</p>`).ReplaceAllString(content, "")
}

// removeImages 移除图片
func (p *ContentParser) removeImages(content string) string {
	return regexp.MustCompile(`(?s)<div[^>]*data-fanqie-type="image"[^>]*>.*?</div>`).ReplaceAllString(content, "")
}

// extractText 提取文本
func (p *ContentParser) extractText(content string) string {
	doc, err := goquery.NewDocumentFromReader(strings.NewReader(content))
	if err != nil {
		parserLogger.Error("解析HTML失败: " + err.Error())
		return content
	}

	finalResult := make([]string, 0)

	// 查找body或article
	body := doc.Find("body")
	article := body.Find("article")

	var elements *goquery.Selection
	if article.Length() > 0 {
		elements = article
	} else {
		elements = body
	}

	// 遍历所有直接子元素
	elements.Children().Each(func(i int, item *goquery.Selection) {
		// 检查是否是图片div
		dataType, _ := item.Attr("data-fanqie-type")
		isImageDiv := dataType == "image"

		if isImageDiv {
			// 这是图片div
			if !p.cfg.RemoveImages {
				// 保留完整的图片div结构
				divHTML, _ := goquery.OuterHtml(item)
				// 解码HTML实体
				divHTML = decodeHTMLEntities(divHTML)
				// 标准化img属性
				divHTML = normalizeImgAttributes(divHTML)
				finalResult = append(finalResult, divHTML)
			}
			return
		}

		// 普通文本元素
		if item.Children().Length() == 0 {
			text := strings.TrimSpace(item.Text())
			if text != "" {
				finalResult = append(finalResult, text)
			}
		} else {
			// 递归提取文本
			item.Find("p").Each(func(j int, p *goquery.Selection) {
				text := strings.TrimSpace(p.Text())
				if text != "" {
					finalResult = append(finalResult, text)
				}
			})
		}
	})

	// 拼接结果
	var result string

	// 根据配置决定段落间的换行符
	separator := "\n"
	if p.cfg.DoubleNewline {
		separator = "\n\n"
	}

	if p.cfg.AddParagraphIndent && len(finalResult) > 0 {
		// 添加段落缩进（两个全角空格）
		result = "\u3000\u3000" + strings.Join(finalResult, separator+"\u3000\u3000")
	} else {
		// 不添加缩进
		result = strings.Join(finalResult, separator)
	}

	// 根据配置决定是否移除空行
	if p.cfg.RemoveBlankLines {
		result = removeBlankLines(result)
	}

	return result
}

// processHTMLMode 处理HTML模式
func (p *ContentParser) processHTMLMode(content string) string {
	// 标准化img属性
	content = normalizeImgAttributes(content)

	// 解码HTML实体
	content = decodeHTMLEntities(content)

	// 根据配置决定是否移除空行
	if p.cfg.RemoveBlankLines {
		// 对HTML内容移除空的<p>标签
		content = regexp.MustCompile(`(?s)<p[^>]*>\s*</p>`).ReplaceAllString(content, "")
		// 移除多余的空白
		content = regexp.MustCompile(`\n\s*\n\s*\n`).ReplaceAllString(content, "\n\n")
	}

	return content
}