Perl：为什么这个网络爬虫正则表达式工作不一致？

Question

我遇到了另一个与我要抓取的网站有关的问题。

基本上，我已经从页面内容中删除了大部分我不想要的内容，并且感谢here 提供的一些帮助，我设法隔离了我想要的日期。尽管一些初始问题与非破坏空间相匹配，但其中大部分似乎工作正常。但是，我现在对最终的正则表达式有困难，该正则表达式旨在将每行数据拆分为字段。每条线代表股价指数的价格。每行的字段是：

1. 任意长度的名称，由拉丁字母表中的字符组成，有时是逗号或 & 符号，没有数字。
2. 小数点后两位数（索引的绝对值）。
3. 小数点后两位数（值的变化）。
4. 小数点后有两位数字后跟百分号（值的百分比变化）的数字。

这是一个示例字符串，在拆分之前： "渔业、农业和林业243.45-1.91-0.78% 采矿360.74-4.15-1.14% 建筑465.36-1.01-0.22% 食品783.2511.281.46% 纺织品和服装412.070.540.13% 纸浆和造纸333.31-0.29 -0.09% 化学品729.406.010.83% "

我用来分割这一行的正则表达式是这样的：

$mystr =~ s/\n(.*?)(\d{1,4}\.\d{2})(\-?\d{1,3}\.\d{2})(.*?%)\n/\n$1 == $2 == $3 == $4\n/ig;

它有时有效，但有时无效，我不知道为什么会这样。 （下面示例输出中的双等号用于使字段拆分更容易可见。）

Fishery, Agriculture & Forestry == 243.45 == -1.91 == -0.78%
Mining360.74-4.15-1.14%
Construction == 465.36 == -1.01 == -0.22%
Foods783.2511.281.46%

我认为对于那些指数价格出现负变化的指数来说，减号是个问题，但有时尽管有减号，它仍然有效。

问。为什么下面显示的最终正则表达式无法一致地拆分字段？

示例代码如下。

#!/usr/bin/perl -w
use strict;
use LWP::Simple;
use HTML::Tree;

my $url_full = "http://www.tse.or.jp/english/market/STATISTICS/e06_past.html";

my $content = get($url_full);
# get dates:
(my @dates) = $content =~ /(?<=dateFormat\(')\d{4}\/\d{2}\/\d{2}(?='\))/g;
foreach my $date (@dates) { # convert to yyyy-mm-dd
    $date =~ s/\//-/ig;
}
my $tree = HTML::Tree->new();
$tree->parse($content);
my $mystr = $tree->as_text;

$mystr =~ s/\xA0//gi; # remove non-breaking spaces
# remove first chunk of text:
$mystr =~
  s/^(TSE.*?)IndustryIndexChange ?/IndustryIndexChange\n$dates[0]\n\n/gi;
$mystr =~ s/IndustryIndexChange ?/IndustryIndexChange/ig;
$mystr =~ s/IndustryIndexChange/Industry Index Change\n/ig;
$mystr =~ s/% /%\n/gi; # percent symbol is market for end of line
# indicate breaks between days:
$mystr =~ s/Stock.*?IndustryIndexChange/\nDAY DELIMITER\n/gi;
$mystr =~ s/Exemption from Liability.*$//g; # remove boilerplate at bottom

# and here's the problem regex...
# try to split it:
$mystr =~
  s/\n(.*?)(\d{1,4}\.\d{2})(\-?\d{1,3}\.\d{2})(.*?%)\n/\n$1 == $2 == $3 == $4\n/ig;

print $mystr;

Answer 1

它似乎每隔一个都在做。

我的猜测是您的记录之间只有一个\n，但您的模式以\n 开头和结尾。所以第一个匹配的最终\n 消耗了第二个匹配找到第二个记录所需的\n。最终结果是它拾取了所有其他记录。

您最好将模式包装在^ 和$（而不是\n 和\n）中，并在s/// 上使用m 标志。

Answer 2

问题是您在正则表达式的开头和结尾都有\n。

考虑这样的事情：

$s = 'abababa';
$s =~ s/aba/axa/g;

这会将$s 设置为axabaxa，不 axaxaxa，因为aba 只有两个不重叠的出现。

Answer 3

我的解释（伪代码）-

one   = [a-zA-Z,& ]+
two   = \d{1,4}.\d\d
three = <<two>>
four  = <<two>>%

regex = (<<one>>)(<<two>>)(<<three>>)(<<four>>)
      = ([a-zA-Z,& ]+)(\d{1,4}.\d\d)(\d{1,4}.\d\d)(\d{1,4}.\d\d%)

但是，您已经看到了 HTML 形式的“结构化”数据。为什么不利用这一点呢？

HTML parsing in perl 引用 MOJO 对于 perl 中基于 DOM 的解析，除非有严重的性能原因， 我强烈推荐这种方法。