在标签之间获取信息答案

【问题标题】：Grab info between tags在标签之间获取信息
【发布时间】：2009-07-22 23:49:03
【问题描述】：

我有一个文本文件，其中包含标签之间的数据。标签是：

<title>
<url>
<pubDate>

因此，条目如下所示：

<title>title 1</title>
<url>url 1</url> 
<pubDate>pubDate 1</pubDate>

<title>title 2</title>
<url>url 2</url> 
<pubDate>pubDate 2</pubDate>

<title>title 3</title>
<url>url 3</url> 
<pubDate>pubDate 3</pubDate>

我需要一个脚本来读取此文本文件并准备将每个项目插入数据库。查询将如下所示：

insert into table (title,url,pubdate) values ($title,$url,$pubdate)....

【问题讨论】：

所以使用 XML 或 HTML 解析器遍历它，然后提取内容。我在这里错过了什么？
当您在文本编辑器或其他工具中查看数据时，字符串“<”是存在，还是实际的“
@dsm - 你确定他的数据实际上看起来不像他输入的样子吗？
@Telemachus - 看起来太像一个错误......也许作者可以澄清一下（@Sunny Rockzzs - 意见？）
实际上在记事本上看到的数据对应于 <但正如在 XML 编辑器上看到的那样，Notepad++ 对应于 dsm 的上述编辑版本

标签： php mysql html perl text-files

【解决方案1】：

您为什么使用“&lt;”而不仅仅是“&lt;”？

只需将所有 '&lt;' 和 '&gt;' 转换为 '&lt;' 和 '>' 然后在 Perl 中通过 XML::Simple 之类的东西来传递。

【讨论】：

可能有点复杂：如果数据应该是 "C > Java" 但在他的数据中显示为 "&lt title &gt C &gt ; Java &lt /title &gt" ?它会错误地替换中间的“&gt”。

【解决方案2】：

或 PHP5 中的 SimpleXML http://php.net/simplexml

@rascher 将 XML 实体转换为“XML 文字”应该没有任何问题。

&lt; title &gt; C &gt; Java &lt; /title &gt;

将被编码为：

&lt; title &amp;gt; C &gt; Java &lt; /title &gt;

解码 XML 实体会产生有效的 XML。

【讨论】：

【解决方案3】：

#!/usr/bin/perl

use strict;
use warnings;

my %seen = (); 

sub seen_all {     
      defined $seen{title}
   && defined $seen{url} 
   && defined $seen{pubDate};
}  

while (<>) {                   
     /<(.+?)>(.+)<\/\1>/ && do {
         $seen{$1} = $2;
     }; 

    if(seen_all){ 
        print "insert into table (title,url,pubdate) " .        
              "values ('$seen{title}','$seen{url}','$seen{pubDate}')\n";
        %seen = (); 
    } 
}

【讨论】：

【解决方案4】：

您可能想查看Text::Balanced。它有一个“extract_tagged”功能，可以完全解决您所概述的问题。

【讨论】：

【解决方案5】：

你可以用这个。您可以使用 Simple XML 类阅读 RSS

$data = file_get_contents('http://www.example.com/path-to-feed.xml');
$xml = new SimpleXMLElement($data);

foreach($xml->feed as $feed){
    echo $feed->title;
    echo '<br />';
    echo $feed->url;
    echo '<br />';
    echo $feed->pubDate;
    echo '<br />';
}

【讨论】：