使用 Perl 解析 html答案

【问题标题】：Parse html using Perl使用 Perl 解析 html
【发布时间】：2011-10-10 02:15:45
【问题描述】：

我有以下 HTML-

<div>
   <strong>Date: </strong>
       19 July 2011
</div>

我一直在使用 HTML::TreeBuilder 来解析使用标签或类的 html 的特定部分，但是前面提到的 html 让我难以尝试仅提取日期。

比如我试过-

for ( $tree->look_down( '_tag' => 'div'))
{ 
my $date  = $_->look_down( '_tag' => 'strong' )->as_trimmed_text;

但这似乎与之前使用的 <strong>. 冲突我希望只解析“2011 年 7 月 19 日”。我已阅读有关 TreeBuilder 的文档，但找不到这样做的方法。

如何使用 TreeBuilder 做到这一点？

【问题讨论】：

标签： html perl html-parsing

【解决方案1】：

您可以通过从<div> 中删除<strong> 中的文本来解决此问题：

my $div      = $tree->look_down( '_tag' => 'div' );
my $div_text = $div->as_trimmed_text;
if ( my $strong = $div->look_down( '_tag' => 'strong' ) ) {
    my $strong_text = $strong->as_trimmed_text;
    my $date        = $div_text;
    $date =~ s/$strong_text\s*//;
}

【讨论】：

它说它不能在'my $strong_text = $div->look_down('_tag' => 'strong')->as_trimmed_text;'上的未定义值上调用方法线。请记住，这是使用“for”循环 - 'for ($tree->look_down('_tag' => 'div')) {' 也许这会导致错误？
在for 循环中使用look_down 应该没问题。您能否提供一个您尝试解析的 HTML 示例（包含多个 div 和 strong 元素）？
Premium !

他们冻结。
我更新了我的代码，检查<strong> 是否存在于<div> 中。
似乎有一个语法错误，说明缺少 '}' 但它似乎仍然没有得到我想要的。

【解决方案2】：

看起来HTML::Element::content_list() 是您想要的功能。后代节点将是对象，而文本将只是文本，因此您可以使用 ref() 过滤以仅获取文本部分。

for ($tree->find('div')) {
  my @content = grep { ! ref } $_->content_list;
  # @content now contains just the bare text portion of the tag
}

【讨论】：

【解决方案3】：

“转储”方法对于找到绕过 HTML::TreeBuilder 对象的方法非常有用。

这里的解决方案是获取您感兴趣的元素的父元素（在本例中为

）并遍历其内容列表。您感兴趣的文本将是纯文本节点，即列表中不引用 HTML::Element 对象的元素。

#!/usr/bin/perl

use strict;
use warnings;

use HTML::TreeBuilder;

my $tree = HTML::TreeBuilder->new;

$tree->parse(<<END_OF_HTML);
<div>
   <strong>Date: </strong>
       19 July 2011
</div>
END_OF_HTML

my $date;

for my $div ($tree->look_down( _tag => 'div')) {
  for ($div->content_list) {
    $date = $_ unless ref;
  }
}

print "$date\n";

【讨论】：

看起来不错，但有没有办法绕过对 html 进行硬编码？如果我从 html 文件中读取，我会打开 'foo.csv' 吗？
对不起，那只是为了演示目的。我假设您知道如何使用 HTML::TreeBuilder 解析数据。 HTML::TreeBuilder 对象有一个 parse_file 方法（您将在文档中看到）。

Premium !