¿Cómo funciona exactamente el "padre" de html :: treebuilder funciona?
Pregunta
los Documentación en CPAN Realmente no explica este comportamiento a menos que me falta algo. He reunido un código de prueba rápido para ilustrar mi problema:
#!/usr/bin/perl
use warnings;
use strict;
use HTML::TreeBuilder;
my $testHtml = "
<body>
<h1>
<p>
<p>HELLO!
</p>
</p>
</h1>
</body>";
my $parsedPage = HTML::TreeBuilder->new;
$parsedPage->parse($testHtml);
$parsedPage->eof();
my @p = $parsedPage->look_down('_tag' => 'p');
foreach (@p) {print $_->parent->tag, " : ", $_->tag, "\t", $_->as_text, "\n";}
Después de ejecutar el script anterior, la salida es:
body : p
body : p HELLO!
Ya que todas las etiquetas están anidadas una tras otra, creo que los padres del primero p
la etiqueta sería h1
, y el padre del segundo p
la etiqueta sería p
. ¿Por qué la función principal muestra el body
etiqueta para ambos?
Solución
Tu HTML no es válido. Y dado que HTML :: TreeBuilder es una subclase de html :: analizador, solo puedo suponer que el analizador está haciendo lo que puede transformar su documento en HTML válido.
Puede llamar a $ parsedpage-> as_html para ver qué ha hecho el analizador a su HTML. Me da esto:
<html><head></head><body><h1></h1><p><p>HELLO! </body></html>
Quizás debería pasar su HTML a través de un validador o HTML :: Tidy, antes de procesarlo.