我的任务是从 Perl 的 html 链接中提取内部 html 文本。
这是一个例子，
<a href="www.stackoverflow.com">Regex Question</a>
我要提取字符串：Regex Question
请注意，内部文本可能像这样为空。这个例子得到一个空字符串。
<a href="www.stackoverflow.com"></a>
内部文本可能包含多个这样的标签。
<a href="www.stackoverflow.com"><b><h2>Regex Question</h2></b></a>
我尝试编写 Perl 正则表达式有一段时间了，但没有成功。特别是，我不知道如何处理多个标签。
【问题讨论】：
使用 HTML Parser 来解析 HTML。
如果你需要从网上下载内容，我建议你看看Mojo::DOM和Mojo::UserAgent。
下面会拉取所有href包含stackoverflow.com的链接，并显示里面的文字：
use strict;
use warnings;
use Mojo::DOM;
use Data::Dump;
my $dom = Mojo::DOM->new(do {local $/; <DATA>});
for my $link ($dom->find('a[href*="stackoverflow.com"]')->each) {
dd $link->all_text;
}
__DATA__
<html>
<body>
<a href="www.stackoverflow.com">Regex Question</a>
I want to extract the string: Regex Question
<a href="www.notme.com">Don't want this link</a>
Note that, the inner text might be empty like this. This example get an empty string.
<a href="www.stackoverflow.com"></a>
and the inner text might be enclosed with multiple tags like this.
<a href="www.stackoverflow.com"><b><h2>Regex Question with tags</h2></b></a>
</body>
</html>
输出：
"Regex Question"
""
"Regex Question with tags"
有关有用的 8 分钟介绍视频，请查看Mojocast Episode 5。
【讨论】：
【讨论】：
<a><a><a><a><a>kbjhkb</a>
<a><b>hello</b>world</a>不匹配。
通过正则表达式解析 HTML 是个坏主意，你不是 Chuck Norris。您可以使用Mojo::DOM 模块，这将使您的任务变得非常简单。
一个样本：
use Mojo::DOM;
# Parse
my $dom = Mojo::DOM->new('<a href="www.stackoverflow.com"><b><h2>Regex Question</h2></b></a>');
# Find
say $dom->at('a')->text;
say $dom->find('a')->text;
要安装 Mojo::DOM，只需输入以下命令
$ cpan Mojo::DOM
【讨论】：
应该使用 html 解析器，但可能可以使用正则表达式。
这会发现没有嵌套 A 标记的开闭 A 标记对，以及
让其他标签出现在内容中。
如果您想要完全没有其他标签的 a-tags 内容，它会略有不同（未显示）。
由于您使用的是 Perl，这可能会起作用。
# =~ /(?s)<a(?>\s+(?:".*?"|'.*?'|[^>]*?)+>)(?<!\/>)((?:(?!(?><a(?>\s+(?:".*?"|'.*?'|[^>]*?)+>)|<\/a\s*>)).)*)<\/a\s*>/
(?s)
<a # Begin A-tag, must (should) contain attrib/val's
(?>
\s+ # (?!\s) add this if you think malformed '<a >' could slip by
(?: " .*? " | ' .*? ' | [^>]*? )+
>
)
(?<! /> ) # Lookbehind, Insure this is not a closed A-tag '<a/>'
( # (1 start), Capture Content between open/close A-tags
(?: # Cluster, match content
(?! # Negative assertion
(?>
<a # Not Start A-tag
(?>
\s+
(?: " .*? " | ' .*? ' | [^>]*? )+
>
)
| </a \s* > # and Not End A-tag
)
)
. # Assert passed, consume a content character
)* # End Cluster, do 0 to many times
) # (1 end)
</a \s* > # End A-tag
【讨论】：
【讨论】：