cparse

cparse

一个基于 Cheerio 的强大 HTML 解析和数据提取工具库，专为简化网页数据抓取而设计。

✨ 核心特性

🎯 语法糖增强

• 属性提取语法：selector@attribute - 直接提取属性值
• 数组提取语法：[selector] - 获取所有匹配元素
• 标准 CSS 支持：完全兼容 Cheerio 原生 CSS 选择器
• 自定义伪选择器：:not-empty - 扩展的伪选择器

🔧 强大的过滤器系统

• 30+ 内置过滤器：数据类型转换、字符串处理、数组操作等
• 过滤器链：selector | filter1 | filter2 - 链式数据处理
• 自定义过滤器：支持扩展自定义过滤器

🚀 Cheerio 功能扩展

• 扩展方法：.string(), .nextNode(), .extract(), .extractAll()
• HTTP 集成：Axios 和 Got 客户端无缝集成
• URL 处理：相对 URL 自动转换为绝对 URL

🛡️ 企业级特性

• 完善的错误处理：多种错误类型和详细错误信息
• 高性能设计：查询缓存、批量处理优化
• TypeScript 支持：完整的类型定义
• 全面测试：200+ 测试用例保证质量

📦 安装

npm install cparse

系统要求：Node.js >= 18.17.0

🚀 快速开始

基础用法

const { loadCheerio, parse } = require('cparse');

const html = '<div class="title">Hello World</div>';
const $ = loadCheerio(html);

// 基本提取
const title = parse('.title', $); // "Hello World"

// 数组提取（语法糖）
const items = parse('[.item]', $); // 所有 .item 元素的文本数组

// 属性提取（语法糖）
const links = parse('[a@href]', $); // 所有链接的 href 属性数组

// 过滤器链
const price = parse('.price | trim | float', $); // 文本 -> 去空格 -> 转浮点数

结构化数据提取

const html = `
<div class="product">
  <h2 class="title">iPhone 15</h2>
  <span class="price">$999.00</span>
  <div class="rating" data-score="4.5">★★★★☆</div>
</div>
`;

const $ = loadCheerio(html);

// 提取结构化数据
const product = parse({
  title: '.title',
  price: '.price | regex:\\d+\\.\\d+ | float',
  rating: '.rating@data-score | float'
}, $);

console.log(product);
// { title: "iPhone 15", price: 999.00, rating: 4.5 }

🔗 HTTP 客户端集成

Axios 集成

const axios = require('axios');
const { cheerioHookForAxios, parse } = require('cparse');

const client = axios.create();
cheerioHookForAxios(client);

// 响应自动包含 $ 属性
const response = await client.get('https://example.com');
const title = parse('title', response.$);
const links = parse('[a@href]', response.$);

Got 集成

const got = require('got');
const { cheerioHookForGot, parse } = require('cparse');

const client = got.extend({});
cheerioHookForGot(client);

const response = await client.get('https://example.com');
const data = parse({
  title: 'title',
  description: 'meta[name="description"]@content'
}, response.$);

🎯 核心语法糖功能

cparse 的核心价值在于提供简洁的语法糖，简化常见的数据提取操作：

1. 属性提取语法 @

// 传统 Cheerio 写法
$('a').map((i, el) => $(el).attr('href')).get();

// cparse 语法糖
parse('[a@href]', $);

2. 数组提取语法 []

// 传统 Cheerio 写法
$('.item').map((i, el) => $(el).text()).get();

// cparse 语法糖
parse('[.item]', $);

3. 标准 CSS 选择器支持

// 完全支持 Cheerio 原生 CSS 选择器
parse('div.active', $);           // 类选择器
parse('input[type="text"]', $);   // 属性选择器
parse('li:first-child', $);       // 伪选择器

4. 自定义伪选择器

// :not-empty 伪选择器（Cheerio 原生不支持）
parse('p:not-empty', $); // 转换为 p:not(:empty)

🔧 强大的过滤器系统

cparse 提供了 30+ 内置过滤器，支持链式调用进行复杂的数据处理：

// 过滤器链示例
parse('.price | trim | regex:\\d+\\.\\d+ | float', $);
// 文本 -> 去空格 -> 正则提取 -> 转浮点数

📊 过滤器分类

数据类型转换

过滤器	功能	示例
int	转换为整数	parse('.count | int', $)
float	转换为浮点数	parse('.price | float', $)
bool	转换为布尔值	parse('.active | bool', $)

字符串处理

过滤器	功能	示例
trim	去除首尾空白	parse('.title | trim', $)
slice	字符串切片	parse('.text | slice:0:10', $)
regex	正则表达式匹配	parse('.text | regex:\\d+', $)
replace	字符串替换	parse('.text | replace:old:new', $)
split	字符串分割	parse('.text | split:,', $)
upper/lower	大小写转换	parse('.text | upper', $)
capitalize	首字母大写	parse('.text | capitalize', $)
title	标题格式化	parse('.text | title', $)

数组处理

过滤器	功能	示例
length	获取长度	parse('[.items] | length', $)
first/last	首/末元素	parse('[.items] | first', $)
unique	数组去重	parse('[.items] | unique', $)
sort	数组排序	parse('[.items] | sort', $)
compact	过滤空值	parse('[.items] | compact', $)
join	数组连接	parse('[.items] | join:-', $)

特殊处理

过滤器	功能	示例
date	日期解析	parse('.date | date', $)
size	尺寸解析	parse('.filesize | size', $)
number	数字格式化	parse('.price | number:2', $)

📚 API 参考

核心函数

loadCheerio(html, options?, baseUrl?)

加载 HTML 并返回扩展的 Cheerio 实例

const $ = loadCheerio('<div>Hello</div>', {}, 'https://example.com');

parse(rule, $, filters?)

数据解析核心函数

// 字符串规则
parse('h1', $)

// 对象规则
parse({ title: 'h1', links: '[a@href]' }, $)

// 数组规则（分割器语法）
parse(['[.item]', { name: '.name', price: '.price | float' }], $)

HTTP 集成

cheerioHookForAxios(instance, options?)

为 Axios 添加 Cheerio 支持

cheerioHookForGot(instance, options?)

为 Got 添加 Cheerio 支持

🎯 查询语法详解

基础语法

语法	说明	示例
selector	标准 CSS 选择器	parse('h1', $)
selector@attr	属性提取语法糖	parse('a@href', $)
[selector]	数组提取语法糖	parse('[.item]', $)
selector | filter	过滤器链	parse('.price | float', $)

语法糖功能

1. 标准 CSS 选择器支持

// 完全支持 Cheerio 原生 CSS 选择器
parse('div.active', $)           // 类选择器
parse('input[type="text"]', $)   // 属性选择器
parse('li:first-child', $)       // 伪选择器

2. 自定义伪选择器

// 语法糖（cparse 扩展）
parse('p:not-empty', $)
// 转换为 Cheerio 原生
parse('p:not(:empty)', $)

3. 复杂选择器支持

// 直接使用 Cheerio 原生选择器
parse('nav > ul > li:first-child', $)
parse('input[type="text"]:focus', $)
parse('p:contains("重要")', $)

高级用法

结构化数据提取

const data = parse({
  title: 'h1',
  price: '.price | float',
  tags: '[.tag]',
  link: 'a@href'
}, $);

分割器语法（列表处理）

const items = parse([
  '[.product]',  // 分割器：每个 .product 元素
  {
    name: '.name',
    price: '.price | float',
    inStock: '.stock | bool'
  }
], $);

函数处理

const result = parse([
  '.content',
  text => text.toUpperCase(),
  text => text.trim()
], $);

🚀 Cheerio 扩展方法

cparse 为 Cheerio 添加了便捷的扩展方法：

扩展方法列表

方法	功能	示例
.string()	纯文本内容（不含子元素标签）	$('.content').string()
.nextNode()	下一个兄弟节点的文本	$('.label').nextNode()
.extract(attr)	提取单个元素的属性/内容	$('.item').extract('href')
.extractAll(attr)	提取所有元素的属性/内容	$('.items').extractAll('text')

特殊属性值

在 extract() 和 extractAll() 中可使用的特殊属性：

• text: 文本内容
• html: HTML 内容
• outerHtml: 包含元素本身的 HTML
• string: 纯文本内容
• nextNode: 下一个兄弟节点文本

🛡️ 错误处理

cparse 提供完善的错误处理机制：

错误类型

• QueryParseError: 查询语法错误
• FilterError: 过滤器执行错误
• ValidationError: 参数验证错误

try {
  parse('.text | unknownFilter', $);
} catch (error) {
  if (error.name === 'FilterError') {
    console.log(`过滤器错误: ${error.filterName}`);
    console.log(`可用过滤器: ${error.context.availableFilters}`);
  }
}

⚡ 性能优化

自动查询缓存

// 第一次解析会缓存结果
parse('h1', $);
// 第二次使用相同查询直接使用缓存
parse('h1', $); // 更快

批量处理建议

// ✅ 推荐：一次性提取所有数据
const data = parse({
  titles: '[h1]',
  links: '[a@href]',
  prices: '[.price | float]'
}, $);

// ❌ 避免：多次单独查询

🔄 重构优化

v2.0.0 重大更新

🎯 核心优化

• 移除重复实现：删除与 Cheerio 原生功能重复的代码
• 专注语法糖：保留真正有价值的语法糖功能
• 性能提升：直接使用 Cheerio 原生选择器，性能更优
• 代码简化：代码量减少 40%，维护性大幅提升

🚀 保留的核心价值

• ✅ 属性提取语法：selector@attribute
• ✅ 数组提取语法：[selector]
• ✅ 标准 CSS 支持：完全兼容 Cheerio 原生选择器
• ✅ 自定义伪选择器：:not-empty
• ✅ 强大的过滤器系统
• ✅ 结构化数据提取
• ✅ HTTP 客户端集成

🗑️ 移除的重复功能

• ❌ 条件查询处理（Cheerio 原生支持）
• ❌ 嵌套查询处理（Cheerio 原生支持）
• ❌ 伪选择器重复实现（Cheerio 原生支持）

🤝 贡献

欢迎提交 Issue 和 Pull Request！

开发环境

# 克隆项目
git clone https://github.com/your-username/cparse.git

# 安装依赖
npm install

# 运行测试
npm test

# 运行 lint
npm run lint

📄 许可证

MIT License - 详见 LICENSE 文件

⭐ 如果这个项目对你有帮助，请给个 Star！

Changelog

2.0.2 (2024-12-16)

🎯 进一步优化 - 移除冗余语法糖

继续优化项目，移除价值有限的语法糖，专注于真正有价值的功能。

🗑️ 移除功能

• 移除类条件语法糖：selector[.class] → 直接使用标准 CSS selector.class
  • 原因：Cheerio 原生支持更简洁，无需额外语法糖
  • 迁移：将 div[.active] 改为 div.active

🔧 改进功能

• 修复 nextNode() 方法：增加错误处理和更好的文本节点查找
• 更新版本号：修复代码中的版本号不一致问题

📚 文档更新

• 更新 README 和示例，移除已废弃的语法糖说明
• 突出标准 CSS 选择器的完全支持

💥 Breaking Changes

• 移除 selector[.class] 语法糖支持
• 用户需要使用标准 CSS 类选择器 selector.class

🔄 迁移指南

// ❌ 旧语法（已移除）
parse('div[.active]', $)

// ✅ 新语法（推荐）
parse('div.active', $)