使用 Mojo::DOM 提取标题后未标记的文本答案

【问题标题】：Using Mojo::DOM to extract untagged text after heading使用 Mojo::DOM 提取标题后未标记的文本
【发布时间】：2019-08-07 20:39:59
【问题描述】：

我正在尝试使用 Mojo::DOM 从 HTML 文件中提取一些没有标签的文本（我是新手）。特别是H2标题后的描述文字（文件中还有其他标题）。

<h2>Description</h2>This text is the description<div class="footer">[<a href="/contrib/rev/1597/2795/">Edit description</a>

我已经能够找到标题，但不知道如何访问后面的文本，因为我没有标签可以跳转到...

my $dom = Mojo::DOM->new( $htmlfile );
my $desc = $dom
    ->find('h2')
    ->grep(sub { $_->all_text =~ /Description/ })
    ->first;

谁能向我推荐一种获取“This text is the description”字符串的方法？

【问题讨论】：

您能否发布更多 HTML，例如父元素。

标签： perl mojo-dom

【解决方案1】：

可以遍历所有节点，也可以捕获那些不在HTML元素（标签）内的节点。然后使用您需要h2 标记之后的节点这一事实。

更准确地说，它跟随作为（可识别的）h2 标签节点的子节点的文本节点。

use warnings;
use strict;
use feature 'say';

use Mojo::DOM;

my $html = q(<h2>Description</h2> This text is the description <p>More...</p>);

my $dom = Mojo::DOM->new($html);

my $is_next = 0;

foreach my $node ($dom->descendant_nodes->each) { 
    my $par = $node->parent;
    if ($node->type eq 'text' and $par->type eq 'tag' and $par->tag eq 'h2') { 
        $is_next = 1;
    }   
    elsif ($is_next) {
        say $node;       #-->   This text is the description
        $is_next = 0;
    }   
}

通过询问前一个文本节点（h2 标签的文本）或其父节点（标签)。

也应该检查节点本身，例如查看它是否确实只是松散的文本而不是实际上的下一个标签。

我已经用更复杂的 HTML 进行了测试；以上是几乎最小的可测试标记。

在这个简单的例子中，$dom->text 捕获了所需的文本。但是，在搜索文本不在第一个元素之后的更复杂的片段中，情况并非如此。

【讨论】：

【解决方案2】：

试试这段代码，我刚刚添加了一个父元素：

#!/usr/bin/perl

use strict;
use warnings;
use Mojo::DOM;


my $html = q{<div class="container"><h2>Description</h2>This text is the description<div class="footer">[<a href="/contrib/rev/1597/2795/">Edit description</a>
</div></div>};

my $dom = Mojo::DOM->new($html);

print $dom->at('div.container')->text();

或者，使用您的 HTML sn-p，可以完成以下操作：

print $dom->text();

【讨论】：