正则表达式匹配但捕获组仍未初始化

Question

我是 perl 和正则表达式的新手。我想我理解这个想法以及如何使用正则表达式，但我在编写脚本时遇到了一个问题。我有一些页面的内容，我正在尝试阅读一些信息。

my @rows = split(/<tr(\s)bgcolor=.{8}/,$content);

foreach my $row(@rows){
    if( $row =~/<td\s+nowrap\s+align=.*\s?(bgcolor=.*\s+)?>\w*\s?<\/td>/ig){
    print $1;
    print $file_opt $row."\n";

    # there will be more code later on
    } 
}

这给了我一个$1 未初始化的错误。我知道当模式与字符串不匹配时会发生这种情况。但是我在 if 下有正则表达式 - 所以如果它进入 if，它确实匹配，对吗？如您所见，我将行打印到文件中。每个看起来像这样：

<td nowrap align="right">DOLNOŚLĄSKIE</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">0</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">0</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">0</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">0</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">4</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">1</td><td nowrap align="right" bgcolor=#D0E0D0 >1</td><td nowrap align="right">3</td><td nowrap align="right" bgcolor=#D0E0D0 >6</td><td nowrap align="right">1</td><td nowrap align="right" bgcolor=#D0E0D0 >2</td><td nowrap align="right">1</td><td nowrap align="right" bgcolor=#D0E0D0 >19</td><td nowrap align="right">0</td></tr>

来自$content 的所有不必要的东西都不在文件中。那么这个模式是否匹配？

Answer 1

不要手工制作正则表达式来解析 html，yadda yadda，现在回答您的实际问题：

“但是我在 if 下有正则表达式 - 所以如果它输入 if，它确实匹配，对吧？”

在您的正则表达式中，您的捕获组后面有一个 ? 量词。这意味着它可以（并且在您的示例中确实）与查找您的捕获组一次或一次不匹配。如果您的正则表达式的最佳匹配碰巧涉及捕获组零次，则不会捕获任何内容并且$1 保持为空。去掉那个问号，以确保您的正则表达式仅在它确实捕获某些内容时匹配。

如果在您的示例中像这样使用它，它可以工作并且确实捕获了一些东西。

虽然由于量词是贪婪的，人们可能会假设它总是会捕获一些东西（如此处所示，当它在没有量词的情况下突然工作时），那里有这么多量词，它只是另一个首先变得贪婪。

Answer 2

从您帖子中的代码来看，您似乎正在尝试为给定行中的每个表格单元格捕获bgcolor 属性。并非所有单元格都有bgcolor 集，但其中一些有。以下是使用 HTML::TreeBuilder 提取该信息的方法：

use HTML::TreeBuilder 5 -weak;

my $html = q{<td nowrap align="right">DOLNOŚLĄSKIE</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">0</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">0</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">0</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">0</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">4</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">1</td><td nowrap align="right" bgcolor=#D0E0D0 >1</td><td nowrap align="right">3</td><td nowrap align="right" bgcolor=#D0E0D0 >6</td><td nowrap align="right">1</td><td nowrap align="right" bgcolor=#D0E0D0 >2</td><td nowrap align="right">1</td><td nowrap align="right" bgcolor=#D0E0D0 >19</td><td nowrap align="right">0</td></tr>};

my $t = HTML::TreeBuilder->new_from_content($html);

foreach my $col ( $t->look_down('_tag','tr')->content_list ) {
  print $col->attr('bgcolor'), "\n" if defined $col->attr('bgcolor');
}

我确定您需要检索的不仅仅是这些，但鉴于您的问题的模糊描述和不完整的代码，我们只能确定这些。

但重点是确凿的；不要用正则表达式解析 HTML，用 HTML 解析器解析 HTML。一开始的学习曲线稍微陡峭，但结果会更健壮、更易于维护，而且您学到的技能将适用于任何 HTML 文档，而不仅仅是这个特定的文档。

HTML::TreeBuilder 附带了一些很好的文档，但您必须阅读其中的大部分内容才能理解整个内容。

还有另一个 HTML 解析模块 Mojo::Dom，它与 Mojolicious 框架一起提供。就个人而言，我发现它更容易使用，但有时当我发布示例时，人们似乎会得出结论，他们必须加载一些重量级的 Web 框架才能使用它（这并不完全正确，但我厌倦了在上游游泳。;)。您可能想看看它，看看它是否更适合您的口味。这是一个例子：

use Mojo::DOM;

my $html = q{<td nowrap align="right">DOLNOŚLĄSKIE</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">0</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">0</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">0</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">0</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">4</td><td nowrap align="right" bgcolor=#D0E0D0 >0</td><td nowrap align="right">1</td><td nowrap align="right" bgcolor=#D0E0D0 >1</td><td nowrap align="right">3</td><td nowrap align="right" bgcolor=#D0E0D0 >6</td><td nowrap align="right">1</td><td nowrap align="right" bgcolor=#D0E0D0 >2</td><td nowrap align="right">1</td><td nowrap align="right" bgcolor=#D0E0D0 >19</td><td nowrap align="right">0</td></tr>};

for my $td ( Mojo::DOM->new($html)->find('td[bgcolor]')->each ) {
  print $td->attr('bgcolor'), "\n";
}

这两个代码示例都会产生以下输出：

#D0E0D0
#D0E0D0
#D0E0D0
#D0E0D0
#D0E0D0
#D0E0D0
#D0E0D0
#D0E0D0
#D0E0D0
#D0E0D0

...这可能不是非常有用，但正是您发布的代码似乎想要捕获的内容。至少这是一个起点，您应该能够适应自己的需求。

我相信 Mojo::DOM 的文档更容易理解，这可能会有所作为，特别是如果您是 Perl 新手。我的建议是从那里开始，围绕该模块构建您的解决方案。从长远来看，你会比使用正则表达式从 HTML 中提取数据要好得多。

Mojolicious 发行版在大多数系统上安装不到一分钟，并且包括 Mojo::DOM 模块，它本身非常轻量级。这是一个不错的选择。