如何仅解析 HTML 文件的一部分而忽略其余部分？

Question

在 5,000 个 HTML 文件的每一个中，我只需要获取一行文本，即第 999 行。如何告诉 HTML::Parser 我只需要获取第 999 行？

</p><h1>dataset 1:</h1>

&nbsp;<table border="0" bgcolor="#EFEFEF"  leftmargin="15" topmargin="5"><tr>  
<td><strong>name:</strong>&nbsp;</td>  <td width=500> myname one         </td></tr><tr>  
<td><strong>type:</strong>&nbsp;</td>  <td width=500>       type_one  (04313488)        </td></tr><tr>
<td><strong>aresss:</strong>&nbsp;</td><td>Friedrichstr. 70,&nbsp;73430&nbsp;Madrid</td></tr><tr>  
<td><strong>adresse_two:</strong>&nbsp;</td>  <td>          no_value        </td></tr><tr>  
<td><strong>telefone:</strong>&nbsp;</td>  <td>         0000736111/680040        </td></tr><tr>  
<td><strong>Fax:</strong>&nbsp;</td>  <td>          0000736111/680040        </td></tr><tr>  
<td><strong>E-Mail:</strong>&nbsp;</td>  <td>       Keine Angabe        </td></tr><tr>      
<td><strong>Internet:</strong>&nbsp;</td><td><a href="http://www.mysite.es" target="_blank">www.mysite.es</a><br></td></tr><tr> <td><strong>the office:</strong>&nbsp;</td>   
<td><a href="http://www.mysite_two" target="_blank">mysite_two </a><br></td></tr><tr> 
<td><strong>:</strong>&nbsp;</td><td> no_value </td></tr><tr> 
<td><strong>officer:</strong>&nbsp;</td>  <td> no_value        </td>  </td></tr><tr>
<td><strong>employees:</strong>&nbsp;</td>  <td> 259        </td></tr><tr>  
<td><strong>offices:</strong>&nbsp;</td>  <td>     8        </td></tr><tr>  
<td><strong>worker:</strong>&nbsp;</td>  <td>     no_value        </td></tr><tr>  
<td><strong>country:</strong>&nbsp;</td>  <td>    contryname        </td></tr><tr>  
<td><strong>the_council:</strong>&nbsp;</td>  <td> 

好吧，问题是，是否可以使用此属性在 5000 个文件中进行搜索：第 999 行是有趣的。换句话说，我可以告诉 HTML 解析器它必须准确地查看（并提取）第 999 行吗？

---

你好，亲爱的 RedGritty Brick - 我对 HTML 几乎没有经验 :: TokeParser

use HTML::TreeBuilder::XPath;

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

#use real file name here
open(my $fh, "<", "file.html") or die $!;

$tree->parse_file($fh);

my ($name) = $tree->findnodes(qq{/html/body/table/tr[1]/td[2]});

print $name->as_text;

顺便说一句； RedGrittyBrick： 查看示例网站之一：http://www.kultusportal-bw.de/servlet/PB/menu/1188427/index.html?COMPLETEHREF=http://www.kultus-bw.de/did_abfrage/detail.php?id=04313488 在灰色阴影块中，您会看到想要的信息：需要的 17 行。注意——我有 5000 个不同的 HTML 文件——它们的结构都一样！

这意味着我很乐意拥有一个可以使用 HTML::TokeParser::Simple 和 DBI 运行的模板。

喜欢得到提示

Answer 1

你是指第 999 行还是第 999 行？

前者可能是

perl -ne 'print if $. == 999' /path/to/*.dat

后者将涉及 HTML 解析器和一些选择逻辑。 Sax 解析器可能更适合快速处理大量文件。这可能取决于使用的 HTML 版本以及它是否“格式正确”。

Perl 有许多 XML 和 HTML 解析器——你有没有想到任何特定的模块？

---

编辑：

您的问题似乎是您的 XPath 表达式。实际的 HTML 比 您的 XPath 建议。以下表达式效果更好

#!/usr/bin/perl
use strict;
use warnings;
use LWP::Simple;
use HTML::TreeBuilder::XPath;

#
# replace this with a loop over 5000 existing files
#
my $url = 'http://www.kultusportal-bw.de/'.
          'servlet/PB/menu/1188427/index.html'.
          '?COMPLETEHREF='.
          'http://www.kultus-bw.de/'.
          'did_abfrage/detail.php?id=04313488';
my $html = get $url;

my $tree = HTML::TreeBuilder::XPath->new();
#
# within the loop process the html like this
#
$tree->parse($html);
$tree->eof;
print $tree->findvalue('//table[@bgcolor]/tr[1]');

尝试将上面的内容剪切并粘贴到一个文件中，然后用 Perl 运行它。