Wie kann ich den Inhalt eines div mit Perl HTML-Module finden, wenn ich einen Tag in der es wissen?
-
18-09-2019 - |
Frage
Seit ich gefragt, wie html mit Regex zu analysieren, hätte ein bisschen (zu Recht) heftig geschlagen, ich habe studiert worden HTML :: TreeBuilder , HTML :: Parser , HTML :: TokeParser und HTML :: Elemente Perl-Module.
Ich habe HTML wie folgt aus:
<div id="listSubtitlesFilm">
<dt id="a1">
<a href="/45/subtitles-67624.aspx">
.45 (2006)
</a>
</dt>
</div>
Ich möchte die /45/subtitles-67624.asp
analysieren, aber was noch wichtiger ist Ich möchte wissen, wie der Inhalt des div zu analysieren, .
ich dieses Beispiel auf einer früheren Frage gegeben wurde:
while ( my $anchor = $parser->get_tag('a') ) {
if ( my $href = $anchor->get_attr('href') ) {
#http://subscene.com/english/Sit-Down-Shut-Up-First-Season/subtitles-272112.aspx
push @dnldLinks, $1 if $href =~ m!/subtitle-(\d{2,8})\.aspx!;
}
Das funktionierte perfekt für das, aber wenn ich versuchte, es ein wenig zu bearbeiten und auf eine Verwendung `` div` es hat nicht funktioniert. Hier ist der Code, den ich versuchte:
Ich habe versucht, mit diesem Code:
while (my $anchor = $p->get_tag("dt")) {
if($stuff = $anchor->get_attr('a1')) {
print $stuff."\n";
}
}
Lösung
Um Adresse, Ihre spezielle Frage, die HTML gegeben:
<div id="listSubtitlesFilm">
<dt id="a1">
<a href="/45/subtitles-67624.aspx">
.45 (2006)
</a>
</dt>
</div>
Ich gehe davon aus Sie in dem Anchor-Text interessiert sind, das heißt ".45 (2006)"
, in diesem Fall jedoch nur, wenn der Anker in einer div
tritt mit id listSubtitlesFilm
.
#!/usr/bin/perl
use strict;
use warnings;
use HTML::TokeParser::Simple;
my $parser = HTML::TokeParser::Simple->new(handle => \*DATA);
my @dnldLinks;
while ( my $div = $parser->get_tag('div') ) {
my $id = $div->get_attr('id');
next unless defined($id) and $id eq 'listSubtitlesFilm';
my $anchor = $parser->get_tag('a');
my $href = $anchor->get_attr('href');
next unless defined($href)
and $href =~ m!/subtitles-(\d{2,8})\.aspx\z!;
push @dnldLinks, [$parser->get_trimmed_text('/a'), $1];
}
use Data::Dumper;
print Dumper \@dnldLinks;
__DATA__
<div id="listSubtitlesFilm">
<dt id="a1">
<a href="/45/subtitles-67624.aspx">
.45 (2006)
</a>
</dt>
</div>
Ausgabe:
$VAR1 = [ [ '.45 (2006)', '67624' ] ];
Andere Tipps
könnten Sie verwenden (noch ein weiteres Modul!) HTML :: TreeBuilder :: XPath , die, wie pro seinen Namen, werden Sie Objekte verwenden XPath auf HTML :: TreeBuilder lassen.
#!/usr/bin/perl
use strict;
use warnings;
use HTML::TreeBuilder::XPath;
my $root = HTML::TreeBuilder::XPath->new_from_file( "my.html");
# print $root->as_HTML; # useful to see how HTML::TreeBuilder
# understands your HTML. For example it will wrap the implied
# dl element around dt, which you need to take into account
# when writing the XPath query below
my $id= "a1";
# you need the .//dt because of the extra dl
my @divs= $root->findnodes( qq{//div[.//dt[\@id="$id"]]});
print $divs[0]->as_HTML; # or as_text
-Code mit HTML::TreeBuilder
:
use HTML::TreeBuilder;
my $tree = HTML::TreeBuilder->new_from_content($html);
for my $link ($tree->look_down(
_tag => 'a',
href => qr{/subtitle-\d{2,8}\.aspx})
) {
my $linkid = $link->attr('href') =~ m!/subtitle-\d{2,8}\.aspx!;
# Scalar context gets the first, and the first is the nearest parent
my $parent_div = $link->look_up(_tag => 'div');
# Now the interesting bit of the link is in $linkid, the parent div ID
# is $parent_div->id or $parent_div->attr_id, and its text is e.g.
# $parent_div->as_trimmed_text or you can do other stuff with its content.
}
Sie müssen die get_attr("a1")
ändern, um get_attr("id")
. Die get_attr (x)
sucht für ein Attribut mit dem Namen x
, aber Sie den Wert des Attributs geben, seinen Namen nicht.
übrigens der <dt>
Tag kein <div>
ist, ist es der Element-Tag für eine <dl>
(Definitionsliste).
get_attr('a1')
wahrscheinlich get_attr('id')
gelesen haben sollte, und es würde drucken "a1"
Ich denke, den Textinhalt bekommen würde wie folgt aussehen:
while ( my $anchor = $parser->get_tag('div') ) {
my $content = $parser-get_text('/div');
}
Oder wenn Sie den Textinhalt der Verbindung gemeint, wäre es:
while ( my $anchor = $parser->get_tag('a') ) {
if ( my $href = $anchor->get_attr('href') ) {
my $content = $parser->get_text('/a');
#http://subscene.com/english/Sit-Down-Shut-Up-First-Season/subtitle-272112.aspx
push @dnldLinks, $1 if $href =~ m!/subtitle-(\d{2,8})\.aspx!;
}