crawlkit-parser 0.2.1

crawlkit HTML 解析与内容提取模块
Documentation
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
//! # HtmlParser — 统一解析入口
//!
//! 提供 `HtmlParser` 结构体,作为所有 HTML 解析操作的中心入口。
//! 封装文档解析、元数据提取、文本提取、结构化内容提取等功能。
//! 适配自 halldyll-parser 的解析器编排层。

use scraper::Html;
use std::time::Instant;
use url::Url;

use crate::content::{
    extract_code_blocks, extract_headings, extract_images, extract_lists, extract_paragraphs,
    extract_quotes, extract_tables,
};
use crate::links::extract_links;
use crate::metadata::{extract_metadata, extract_structured_data};
use crate::text::extract_text;
use crate::types::{
    CodeBlock, Heading, Image, Link, ListContent, PageMetadata, ParseStats, ParsedContent,
    ParserConfig, ParserResult, Quote, StructuredData, TableContent, TextContent,
};

// ============================================================================
// HtmlParser
// ============================================================================

/// 统一的 HTML 解析器,封装文档解析与内容提取的全流程。
///
/// 通过 `ParserConfig` 控制提取的内容类型和行为。
///
/// # 示例
///
/// ```ignore
/// let parser = HtmlParser::new();
/// let result = parser.parse("<html><body><p>Hello</p></body></html>")?;
/// println!("{}", result.text.cleaned_text);
/// ```
#[derive(Debug, Clone)]
pub struct HtmlParser {
    config: ParserConfig,
}

impl HtmlParser {
    // ── 构造方法 ──────────────────────────────────────────────────────────

    /// 使用默认配置创建解析器。
    pub fn new() -> Self {
        Self {
            config: ParserConfig::default(),
        }
    }

    /// 使用自定义配置创建解析器。
    pub fn with_config(config: ParserConfig) -> Self {
        Self { config }
    }

    /// 使用指定的基础 URL 创建解析器。
    pub fn with_base_url(url: Url) -> Self {
        Self {
            config: ParserConfig {
                base_url: Some(url),
                ..ParserConfig::default()
            },
        }
    }

    /// 设置基础 URL,用于解析相对链接和图片地址。
    pub fn set_base_url(&mut self, url: Url) {
        self.config.base_url = Some(url);
    }

    /// 获取当前配置的引用。
    pub fn config(&self) -> &ParserConfig {
        &self.config
    }

    /// 获取当前配置的可变引用。
    pub fn config_mut(&mut self) -> &mut ParserConfig {
        &mut self.config
    }

    // ── 核心解析方法 ──────────────────────────────────────────────────────

    /// 解析完整的 HTML 文档,返回结构化内容。
    ///
    /// 自动计算解析统计信息,并根据配置决定提取哪些内容类型。
    pub fn parse(&self, html: &str) -> ParserResult<ParsedContent> {
        let start = Instant::now();
        let document = Html::parse_document(html);
        let parse_time_us = start.elapsed().as_micros() as u64;

        let html_size = html.len();
        let node_count = count_nodes(&document);

        let metadata = extract_metadata(&document, self.config.base_url.as_ref())?;
        let text = extract_text(&document, &self.config)?;
        let headings = extract_headings(&document);
        let paragraphs = extract_paragraphs(&document, self.config.min_paragraph_length);

        let links = if self.config.extract_links {
            extract_links(&document, &self.config)?
        } else {
            Vec::new()
        };

        let images = if self.config.extract_images {
            extract_images(&document, self.config.base_url.as_ref())
        } else {
            Vec::new()
        };

        let lists = extract_lists(&document, &self.config);

        let tables = if self.config.extract_tables {
            extract_tables(&document, &self.config)
        } else {
            Vec::new()
        };

        let code_blocks = if self.config.extract_code_blocks {
            extract_code_blocks(&document, &self.config)
        } else {
            Vec::new()
        };

        let quotes = extract_quotes(&document, &self.config);

        let structured_data = if self.config.extract_structured_data {
            extract_structured_data(&document)
        } else {
            Vec::new()
        };

        let stats = ParseStats {
            html_size,
            parse_time_us,
            node_count,
            element_count: count_elements(&document),
            text_node_count: count_text_nodes(&document),
            comment_count: count_comments(&document),
            errors: Vec::new(),
            warnings: Vec::new(),
        };

        Ok(ParsedContent {
            metadata,
            text,
            headings,
            paragraphs,
            links,
            images,
            lists,
            tables,
            code_blocks,
            quotes,
            structured_data,
            stats,
        })
    }

    /// 解析 HTML 片段(不包含 `<html>`/`<body>` 包装)。
    ///
    /// 适用于解析页面中的局部 HTML 内容。
    pub fn parse_fragment(&self, html: &str) -> ParserResult<ParsedContent> {
        let start = Instant::now();
        let document = Html::parse_fragment(html);
        let parse_time_us = start.elapsed().as_micros() as u64;

        let html_size = html.len();
        let metadata = PageMetadata::default();
        let text = extract_text(&document, &self.config)?;
        let headings = extract_headings(&document);
        let paragraphs = extract_paragraphs(&document, self.config.min_paragraph_length);

        let links = if self.config.extract_links {
            extract_links(&document, &self.config)?
        } else {
            Vec::new()
        };

        let images = if self.config.extract_images {
            extract_images(&document, self.config.base_url.as_ref())
        } else {
            Vec::new()
        };

        let lists = extract_lists(&document, &self.config);

        let tables = if self.config.extract_tables {
            extract_tables(&document, &self.config)
        } else {
            Vec::new()
        };

        let code_blocks = if self.config.extract_code_blocks {
            extract_code_blocks(&document, &self.config)
        } else {
            Vec::new()
        };

        let quotes = extract_quotes(&document, &self.config);

        let stats = ParseStats {
            html_size,
            parse_time_us,
            node_count: count_nodes(&document),
            element_count: count_elements(&document),
            text_node_count: count_text_nodes(&document),
            comment_count: count_comments(&document),
            errors: Vec::new(),
            warnings: Vec::new(),
        };

        Ok(ParsedContent {
            metadata,
            text,
            headings,
            paragraphs,
            links,
            images,
            lists,
            tables,
            code_blocks,
            quotes,
            structured_data: Vec::new(),
            stats,
        })
    }

    // ── 单项提取方法 ──────────────────────────────────────────────────────

    /// 提取页面元数据(标题、描述、OG、Twitter Card、结构化数据等)。
    pub fn extract_metadata(&self, html: &str) -> ParserResult<PageMetadata> {
        let document = Html::parse_document(html);
        extract_metadata(&document, self.config.base_url.as_ref())
    }

    /// 提取页面文本内容,含清洗、可读性评分。
    pub fn extract_text(&self, html: &str) -> ParserResult<TextContent> {
        let document = Html::parse_document(html);
        extract_text(&document, &self.config)
    }

    /// 提取所有标题(h1 - h6)。
    pub fn extract_headings(&self, html: &str) -> Vec<Heading> {
        let document = Html::parse_document(html);
        extract_headings(&document)
    }

    /// 提取所有链接。
    pub fn extract_links(&self, html: &str) -> ParserResult<Vec<Link>> {
        let document = Html::parse_document(html);
        extract_links(&document, &self.config)
    }

    /// 提取所有图片,自动解析相对地址为绝对地址。
    pub fn extract_images(&self, html: &str) -> Vec<Image> {
        let document = Html::parse_document(html);
        extract_images(&document, self.config.base_url.as_ref())
    }

    /// 提取所有列表(有序、无序、定义列表)。
    pub fn extract_lists(&self, html: &str) -> Vec<ListContent> {
        let document = Html::parse_document(html);
        extract_lists(&document, &self.config)
    }

    /// 提取所有表格。
    pub fn extract_tables(&self, html: &str) -> Vec<TableContent> {
        let document = Html::parse_document(html);
        extract_tables(&document, &self.config)
    }

    /// 提取所有代码块。
    pub fn extract_code_blocks(&self, html: &str) -> Vec<CodeBlock> {
        let document = Html::parse_document(html);
        extract_code_blocks(&document, &self.config)
    }

    /// 提取所有引用(blockquote)。
    pub fn extract_quotes(&self, html: &str) -> Vec<Quote> {
        let document = Html::parse_document(html);
        extract_quotes(&document, &self.config)
    }

    /// 提取所有结构化数据(JSON-LD + Microdata)。
    pub fn extract_structured_data(&self, html: &str) -> Vec<StructuredData> {
        let document = Html::parse_document(html);
        extract_structured_data(&document)
    }

    // ── URL 工具方法 ──────────────────────────────────────────────────────

    /// 将相对路径或协议相对 URL 解析为绝对 URL。
    ///
    /// 需要解析器已配置 `base_url`,否则返回 `None`。
    pub fn resolve_url(&self, href: &str) -> Option<String> {
        let base = self.config.base_url.as_ref()?;
        resolve_relative_url(base, href)
    }

    /// 检查是否已配置基础 URL。
    pub fn has_base_url(&self) -> bool {
        self.config.base_url.is_some()
    }

    /// 获取当前基础 URL 的引用。
    pub fn base_url(&self) -> Option<&Url> {
        self.config.base_url.as_ref()
    }
}

impl Default for HtmlParser {
    fn default() -> Self {
        Self::new()
    }
}

// ============================================================================
// 便捷函数
// ============================================================================

/// 使用默认配置快速解析 HTML 文档。
pub fn parse(html: &str) -> ParserResult<ParsedContent> {
    HtmlParser::new().parse(html)
}

/// 使用指定基础 URL 解析 HTML 文档,支持相对地址解析。
pub fn parse_with_url(html: &str, base_url: Url) -> ParserResult<ParsedContent> {
    let parser = HtmlParser::with_base_url(base_url);
    parser.parse(html)
}

/// 快速提取 HTML 页面的元数据。
pub fn get_metadata(html: &str) -> ParserResult<PageMetadata> {
    let parser = HtmlParser::new();
    parser.extract_metadata(html)
}

/// 快速提取 HTML 页面的纯文本内容。
pub fn get_text(html: &str) -> ParserResult<TextContent> {
    let parser = HtmlParser::new();
    parser.extract_text(html)
}

/// 快速提取 HTML 页面中的所有链接。
pub fn get_links(html: &str) -> ParserResult<Vec<Link>> {
    let parser = HtmlParser::new();
    parser.extract_links(html)
}

// ============================================================================
// 内部辅助函数
// ============================================================================

/// 将相对 URL 解析为绝对 URL。
fn resolve_relative_url(base: &Url, href: &str) -> Option<String> {
    let href = href.trim();
    if href.is_empty() {
        return None;
    }
    if href.starts_with("http://") || href.starts_with("https://") {
        return Some(href.to_string());
    }
    if href.starts_with("//") {
        let scheme = base.scheme();
        return Some(format!("{scheme}:{href}"));
    }
    base.join(href).ok().map(|u| u.to_string())
}

/// 统计文档中的节点总数。
fn count_nodes(document: &Html) -> usize {
    document.root_element().children().count()
}

/// 统计文档中的元素节点数。
fn count_elements(document: &Html) -> usize {
    count_elements_recursive(&document.root_element())
}

fn count_elements_recursive(element: &scraper::ElementRef) -> usize {
    let mut count = 1;
    for child in element.children() {
        if let Some(child_ref) = scraper::ElementRef::wrap(child) {
            count += count_elements_recursive(&child_ref);
        }
    }
    count
}

/// 统计文档中的文本节点数。
fn count_text_nodes(document: &Html) -> usize {
    count_text_nodes_recursive(&document.root_element())
}

fn count_text_nodes_recursive(element: &scraper::ElementRef) -> usize {
    let mut count = 0;
    for child in element.children() {
        match child.value() {
            scraper::Node::Text(_) => count += 1,
            _ => {}
        }
        if let Some(child_ref) = scraper::ElementRef::wrap(child) {
            count += count_text_nodes_recursive(&child_ref);
        }
    }
    count
}

/// 统计文档中的注释节点数。
fn count_comments(document: &Html) -> usize {
    count_comments_recursive(&document.root_element())
}

fn count_comments_recursive(element: &scraper::ElementRef) -> usize {
    let mut count = 0;
    for child in element.children() {
        if matches!(child.value(), scraper::Node::Comment(_)) {
            count += 1;
        }
        if let Some(child_ref) = scraper::ElementRef::wrap(child) {
            count += count_comments_recursive(&child_ref);
        }
    }
    count
}

// ============================================================================
// 测试
// ============================================================================

#[cfg(test)]
mod tests {
    use super::*;

    /// 包含各类 HTML 结构的示例页面,用于集成测试。
    const SAMPLE_HTML: &str = r##"
<!DOCTYPE html>
<html lang="zh-CN">
<head>
    <meta charset="utf-8">
    <title>示例页面 — 测试用</title>
    <meta name="description" content="这是一个用于解析测试的示例页面">
    <meta name="keywords" content="测试, html, 解析">
    <meta name="author" content="测试作者">
    <meta property="og:title" content="OG 示例标题">
    <meta property="og:type" content="article">
    <meta name="twitter:card" content="summary">
    <link rel="canonical" href="https://example.com/page">
    <link rel="icon" href="/favicon.ico">
    <base href="https://example.com/blog/">
</head>
<body>
    <h1 id="main-title">主标题</h1>
    <h2 class="section">第一章</h2>
    <p>这是第一段文字。包含足够长的内容来满足最小段落长度要求。</p>
    <p>这是第二段文字,同样有足够的内容来通过过滤器。</p>

    <ul>
        <li>无序列表项一</li>
        <li>无序列表项二</li>
        <li>无序列表项三</li>
    </ul>

    <ol>
        <li>有序第一</li>
        <li>有序第二</li>
    </ol>

    <table>
        <thead>
            <tr><th>姓名</th><th>年龄</th></tr>
        </thead>
        <tbody>
            <tr><td>张三</td><td>28</td></tr>
            <tr><td>李四</td><td>35</td></tr>
        </tbody>
    </table>

    <pre><code class="language-rust">fn hello() { println!("你好"); }</code></pre>

    <blockquote cite="https://example.com/quote">
        这是一段引用文字。
        <cite>作者名</cite>
    </blockquote>

    <img src="/images/photo.jpg" alt="示例图片" width="800" height="600">

    <a href="https://example.com/other">外部链接</a>
    <a href="/relative-page">相对链接</a>
    <a href="mailto:test@example.com">邮箱链接</a>

    <script type="application/ld+json">
        {"@type": "Article", "name": "示例文章", "description": "测试"}
    </script>
</body>
</html>
"##;

    // ── 构造方法 ──

    #[test]
    fn 默认构造() {
        let parser = HtmlParser::new();
        assert!(parser.config().base_url.is_none());
    }

    #[test]
    fn 带配置构造() {
        let config = ParserConfig::minimal();
        let parser = HtmlParser::with_config(config);
        assert!(!parser.config().extract_images);
    }

    #[test]
    fn 带基础URL构造() {
        let url = Url::parse("https://example.com").unwrap();
        let parser = HtmlParser::with_base_url(url);
        assert!(parser.has_base_url());
    }

    #[test]
    fn 设置基础URL() {
        let mut parser = HtmlParser::new();
        assert!(!parser.has_base_url());
        parser.set_base_url(Url::parse("https://example.com").unwrap());
        assert!(parser.has_base_url());
    }

    #[test]
    fn 获取配置引用() {
        let parser = HtmlParser::new();
        let config = parser.config();
        assert!(config.extract_images);
    }

    #[test]
    fn 获取配置可变引用() {
        let mut parser = HtmlParser::new();
        parser.config_mut().extract_images = false;
        assert!(!parser.config().extract_images);
    }

    #[test]
    fn 默认trait实现() {
        let parser: HtmlParser = Default::default();
        assert!(parser.config().extract_images);
    }

    // ── 完整解析 ──

    #[test]
    fn 解析完整文档() {
        let parser = HtmlParser::new();
        let result = parser.parse(SAMPLE_HTML).unwrap();
        assert!(result.metadata.title.is_some());
        assert!(result.text.word_count > 0);
        assert!(!result.headings.is_empty());
        assert!(!result.paragraphs.is_empty());
        assert!(!result.links.is_empty());
        assert!(!result.images.is_empty());
        assert!(!result.lists.is_empty());
        assert!(!result.tables.is_empty());
        assert!(!result.code_blocks.is_empty());
        assert!(!result.quotes.is_empty());
        assert!(!result.structured_data.is_empty());
    }

    #[test]
    fn 解析文档统计信息() {
        let parser = HtmlParser::new();
        let result = parser.parse(SAMPLE_HTML).unwrap();
        assert!(result.stats.html_size > 0);
        assert!(result.stats.parse_time_us > 0);
        assert!(result.stats.node_count > 0);
    }

    #[test]
    fn 解析空文档() {
        let parser = HtmlParser::new();
        let result = parser.parse("").unwrap();
        assert_eq!(result.text.word_count, 0);
        assert!(result.headings.is_empty());
    }

    #[test]
    fn 解析最小化文档() {
        let parser = HtmlParser::with_config(ParserConfig::minimal());
        let result = parser.parse(SAMPLE_HTML).unwrap();
        assert!(result.images.is_empty());
        assert!(result.tables.is_empty());
        assert!(result.code_blocks.is_empty());
        assert!(result.structured_data.is_empty());
        assert!(result.metadata.title.is_some());
    }

    // ── 片段解析 ──

    #[test]
    fn 解析HTML片段() {
        let parser = HtmlParser::new();
        let fragment = "<p>这是片段内容。</p><a href=\"https://example.com\">链接</a>";
        let result = parser.parse_fragment(fragment).unwrap();
        assert!(result.text.cleaned_text.contains("片段内容"));
        assert_eq!(result.links.len(), 1);
    }

    #[test]
    fn 片段解析无元数据() {
        let parser = HtmlParser::new();
        let result = parser.parse_fragment("<p>纯文本</p>").unwrap();
        assert!(result.metadata.title.is_none());
    }

    // ── 单项提取 ──

    #[test]
    fn 单项提取元数据() {
        let parser = HtmlParser::new();
        let meta = parser.extract_metadata(SAMPLE_HTML).unwrap();
        assert_eq!(meta.title.as_deref(), Some("OG 示例标题"));
        assert!(meta.description.is_some());
        assert!(!meta.keywords.is_empty());
    }

    #[test]
    fn 单项提取文本() {
        let parser = HtmlParser::new();
        let text = parser.extract_text(SAMPLE_HTML).unwrap();
        assert!(text.cleaned_text.contains("主标题"));
        assert!(text.word_count > 5);
    }

    #[test]
    fn 单项提取标题() {
        let parser = HtmlParser::new();
        let headings = parser.extract_headings(SAMPLE_HTML);
        assert_eq!(headings.len(), 2);
        assert_eq!(headings[0].text, "主标题");
        assert_eq!(headings[1].text, "第一章");
    }

    #[test]
    fn 单项提取链接() {
        let parser = HtmlParser::new();
        let links = parser.extract_links(SAMPLE_HTML).unwrap();
        assert!(!links.is_empty());
        let has_external = links.iter().any(|l| l.href.contains("example.com/other"));
        assert!(has_external);
    }

    #[test]
    fn 单项提取图片() {
        let parser = HtmlParser::new();
        let images = parser.extract_images(SAMPLE_HTML);
        assert_eq!(images.len(), 1);
        assert_eq!(images[0].alt, "示例图片");
    }

    #[test]
    fn 单项提取列表() {
        let parser = HtmlParser::new();
        let lists = parser.extract_lists(SAMPLE_HTML);
        assert_eq!(lists.len(), 2);
        let ul = lists.iter().find(|l| l.items.len() == 3);
        assert!(ul.is_some());
    }

    #[test]
    fn 单项提取表格() {
        let parser = HtmlParser::new();
        let tables = parser.extract_tables(SAMPLE_HTML);
        assert_eq!(tables.len(), 1);
        assert_eq!(tables[0].rows.len(), 2);
    }

    #[test]
    fn 单项提取代码块() {
        let parser = HtmlParser::new();
        let blocks = parser.extract_code_blocks(SAMPLE_HTML);
        assert_eq!(blocks.len(), 1);
        assert_eq!(blocks[0].language.as_deref(), Some("rust"));
    }

    #[test]
    fn 单项提取引用() {
        let parser = HtmlParser::new();
        let quotes = parser.extract_quotes(SAMPLE_HTML);
        assert_eq!(quotes.len(), 1);
    }

    #[test]
    fn 单项提取结构化数据() {
        let parser = HtmlParser::new();
        let data = parser.extract_structured_data(SAMPLE_HTML);
        assert_eq!(data.len(), 1);
        assert_eq!(data[0].schema_type.as_deref(), Some("Article"));
    }

    // ── URL 工具 ──

    #[test]
    fn 解析相对URL() {
        let parser = HtmlParser::with_base_url(Url::parse("https://example.com").unwrap());
        let resolved = parser.resolve_url("/path/to/page");
        assert_eq!(
            resolved.as_deref(),
            Some("https://example.com/path/to/page")
        );
    }

    #[test]
    fn 解析绝对URL() {
        let parser = HtmlParser::with_base_url(Url::parse("https://example.com").unwrap());
        let resolved = parser.resolve_url("https://other.com/page");
        assert_eq!(resolved.as_deref(), Some("https://other.com/page"));
    }

    #[test]
    fn 无基础URL时返回None() {
        let parser = HtmlParser::new();
        assert!(parser.resolve_url("/page").is_none());
    }

    #[test]
    fn 空href返回None() {
        let parser = HtmlParser::with_base_url(Url::parse("https://example.com").unwrap());
        assert!(parser.resolve_url("").is_none());
    }

    #[test]
    fn 检查是否有基础URL() {
        let parser = HtmlParser::new();
        assert!(!parser.has_base_url());
        let parser2 = HtmlParser::with_base_url(Url::parse("https://example.com").unwrap());
        assert!(parser2.has_base_url());
    }

    #[test]
    fn 获取基础URL引用() {
        let url = Url::parse("https://example.com").unwrap();
        let parser = HtmlParser::with_base_url(url.clone());
        assert_eq!(parser.base_url(), Some(&url));
    }

    // ── 便捷函数 ──

    #[test]
    fn 便捷解析函数() {
        let result = parse(SAMPLE_HTML).unwrap();
        assert!(result.metadata.title.is_some());
    }

    #[test]
    fn 便捷解析带URL() {
        let url = Url::parse("https://example.com").unwrap();
        let result = parse_with_url(SAMPLE_HTML, url).unwrap();
        assert!(result.links.iter().any(|l| l.url.is_some()));
    }

    #[test]
    fn 便捷获取元数据() {
        let meta = get_metadata(SAMPLE_HTML).unwrap();
        assert_eq!(meta.author.as_deref(), Some("测试作者"));
    }

    #[test]
    fn 便捷获取文本() {
        let text = get_text(SAMPLE_HTML).unwrap();
        assert!(text.word_count > 0);
    }

    #[test]
    fn 便捷获取链接() {
        let links = get_links(SAMPLE_HTML).unwrap();
        assert!(!links.is_empty());
    }

    // ── resolve_relative_url 辅助函数 ──

    #[test]
    fn 内部resolve相对路径() {
        let base = Url::parse("https://example.com/base/").unwrap();
        assert_eq!(
            resolve_relative_url(&base, "page.html"),
            Some("https://example.com/base/page.html".to_string())
        );
    }

    #[test]
    fn 内部resolve根相对路径() {
        let base = Url::parse("https://example.com/base/").unwrap();
        assert_eq!(
            resolve_relative_url(&base, "/page.html"),
            Some("https://example.com/page.html".to_string())
        );
    }

    #[test]
    fn 内部resolve协议相对() {
        let base = Url::parse("https://example.com").unwrap();
        assert_eq!(
            resolve_relative_url(&base, "//cdn.example.com/file.js"),
            Some("https://cdn.example.com/file.js".to_string())
        );
    }

    #[test]
    fn 内部resolve跳过空白() {
        let base = Url::parse("https://example.com").unwrap();
        assert!(resolve_relative_url(&base, "").is_none());
        assert!(resolve_relative_url(&base, "  ").is_none());
    }

    // ── 节点统计 ──

    #[test]
    fn 统计节点数() {
        let doc = Html::parse_document("<html><body><p>文本</p></body></html>");
        assert!(count_nodes(&doc) > 0);
    }

    #[test]
    fn 统计元素数() {
        let doc = Html::parse_document(
            "<html><head></head><body><p>文本</p><div><span>内联</span></div></body></html>",
        );
        let count = count_elements(&doc);
        // html, head, body, p, div, span = 6
        assert_eq!(count, 6);
    }

    #[test]
    fn 统计文本节点数() {
        let doc = Html::parse_document("<html><body><p>Hello</p><p>World</p></body></html>");
        let count = count_text_nodes(&doc);
        assert_eq!(count, 2);
    }

    #[test]
    fn 统计注释数() {
        let doc = Html::parse_document(
            "<html><body><!-- 注释一 --><p>文本</p><!-- 注释二 --></body></html>",
        );
        let count = count_comments(&doc);
        assert_eq!(count, 2);
    }

    // ── 边界情况 ──

    #[test]
    fn 解析包含特殊字符的HTML() {
        let html = "<html><body><p>&lt;script&gt;alert('xss')&lt;/script&gt;</p></body></html>";
        let parser = HtmlParser::new();
        let result = parser.parse(html).unwrap();
        assert!(result.text.cleaned_text.contains("alert('xss')"));
    }

    #[test]
    fn 解析多语言混合内容() {
        let html = "<html><body><p>Hello 世界 こんにちは</p></body></html>";
        let parser = HtmlParser::new();
        let result = parser.parse(html).unwrap();
        assert!(result.text.cleaned_text.contains("Hello 世界"));
    }

    #[test]
    fn 解析极大段落不崩溃() {
        let long_text = "A ".repeat(10_000);
        let html = format!("<html><body><p>{}</p></body></html>", long_text);
        let parser = HtmlParser::new();
        let result = parser.parse(&html).unwrap();
        assert!(result.text.word_count > 0);
    }

    #[test]
    fn 配置关闭所有提取() {
        let config = ParserConfig {
            extract_images: false,
            extract_links: false,
            extract_tables: false,
            extract_code_blocks: false,
            extract_structured_data: false,
            ..ParserConfig::default()
        };
        let parser = HtmlParser::with_config(config);
        let result = parser.parse(SAMPLE_HTML).unwrap();
        assert!(result.images.is_empty());
        assert!(result.tables.is_empty());
        assert!(result.code_blocks.is_empty());
        assert!(result.structured_data.is_empty());
    }

    #[test]
    fn 基础URL解析图片地址() {
        let url = Url::parse("https://example.com").unwrap();
        let parser = HtmlParser::with_base_url(url);
        let result = parser.parse(SAMPLE_HTML).unwrap();
        let img = &result.images[0];
        assert_eq!(
            img.url.as_deref(),
            Some("https://example.com/images/photo.jpg")
        );
    }
}