Grep和Perl中提取數據

我有HTML內容存儲在一個變量。如何提取頁面中一組通用標籤之間的數據？例如，我對中的數據（由DATA表示保持一組標記，其中一個線後的其他之間：Grep和Perl中提取數據

... 
<td class="jumlah">*DATA_1*</td> 
<td class="ud"><a href="">*DATA_2*</a></td> 
...

然後，我想用來存儲映射DATA_2 => DATA_1在哈希

2010-05-21 syker

由於它是HTML，因此您可能需要使用用於處理HTML的XPath模塊HTML::TreeBuilder::XPath。

首先，您需要使用HTML :: TreeBuilder方法解析字符串。假設你的網頁的內容是在一個名爲$content變量，像這樣做：

my $tree = HTML::TreeBuilder->new; 
$tree->parse_file($file_name);

現在你可以使用XPath表達式得到了你所關心的節點迭代器。這首先表現得到有能力的tr在body一個table在html元素中的所有td節點：

my $tdNodes = $tree->findnodes('/html/body/table/tr/td');

最後你可以遍歷所有節點在一個循環中找到你想要的東西：

foreach my $node ($tdNodes->get_nodelist) { 
    my $data = $node->findvalue('.'); // the content of the node 
    print "$data\n"; 
}

有關如何使用NodeSet結果對象的方法和NodeSet文檔，請參閱HTML::TreeBuilder文檔。 w3schools有一個可以通過的XPath教程here。

所有這一切，你應該能夠做出非常健壯的HTML解析來獲取你想要的任何元素。你甚至可以在你的XPath查詢中指定類，id和更多關於你想要的節點的具體細節。在我看來，使用這個修改後的XPath庫解析HTML比處理一堆一次性正則表達式要快很多並且更易於維護。

2010-05-21 23:42:43 jasonmp85

+1代碼示例。 – 2010-05-21 23:53:24

既然是HTML我認爲這可能爲你工作？

的XPath是這樣的。

2010-05-21 23:23:05 dierre

XPATH是否僅限於XML（僅限於XHTML）？我對它的使用經驗非常有限，但從未見過它用於處理非XHTML – DVK 2010-05-21 23:31:48

@DVK：我不會把它放在Perl開發的XPath模塊之外，試圖變得更聰明一些。 – Axeman 2010-05-21 23:33:35

@Axeman - touche :) – DVK 2010-05-21 23:34:50

使用HTML解析模塊，如答案to this Q - HTML :: TreeBuilder或HTML :: Parser中所述。

純粹理論上你可以嘗試使用正則表達式來做到這一點，但正如鏈接問題的答案和無數其他時間所指出的那樣，使用RegEx解析HTML是一個糟糕的想法 - 大寫字母很容易出錯，因爲HTML不是一種常規語言，所以很難變得好，並且不可能100％正確。

2010-05-21 23:31:28 DVK

這可能在理論上是不可能的 - HTML不是一種常規的語言。如果他的查詢是「常規」的話，那將是可能的。 – 2010-05-21 23:48:38

你可以試試這個模塊：HTML::TreeBuilder::XPath。該文檔說：

該模塊向HTML :: TreeBuilder添加了典型的XPath方法，以方便查詢文檔。

2010-05-21 23:38:36 Axeman

回答