Come faccio a trovare i contenuti di un div con moduli HTML del Perl, se conosco un tag all'interno di esso?

Question

Da quando ho chiesto come analizzare HTML con regex, ma ho sbattuto un po '(giustamente), ho studiato HTML :: TreeBuilder , HTML :: Parser , HTML :: TokeParser , e HTML :: Elementi moduli Perl.

Ho HTML in questo modo:

<div id="listSubtitlesFilm">
  <dt id="a1">
    <a href="/45/subtitles-67624.aspx">
      .45 (2006)
    </a>
  </dt>
</div>

Voglio analizzare la /45/subtitles-67624.asp, ma ancora più importante Vorrei sapere come analizzare il contenuto del div .

Mi è stato dato questo esempio su una domanda precedente:

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!;
    }

Questo ha funzionato perfettamente per questo, ma quando ho provato a modificare un po 'e usarlo su un `` div` non ha funzionato. Ecco il codice che ho provato:

Ho provato ad utilizzare questo codice:

while (my $anchor = $p->get_tag("dt")) {
  if($stuff = $anchor->get_attr('a1')) {
    print $stuff."\n";
  }
}

Answer 1

Per rispondere, la tua domanda specifica, dato il codice HTML:

<div id="listSubtitlesFilm">
  <dt id="a1">
    <a href="/45/subtitles-67624.aspx">
      .45 (2006)
    </a>
  </dt>
</div>

Io parto dal presupposto che vi interessa nel testo di ancoraggio, cioè ".45 (2006)", in questo caso, ma solo se l'ancora si verifica in un div con 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>

Output:

$VAR1 = [
          [
            '.45 (2006)',
            '67624'
          ]
        ];

Answer 2

Si potrebbe utilizzare (ancora un altro modulo!) HTML :: :: TreeBuilder XPath , che, come per il suo nome, vi permetterà di usare XPath su oggetti HTML :: TreeBuilder.

#!/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

Answer 3

Codice utilizzando 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.
}

Answer 4

È necessario modificare il get_attr("a1") a get_attr("id") qui. Il get_attr (x) è alla ricerca di un attributo con il nome x, ma si sta dando il valore dell'attributo, non il suo nome.

Per inciso il tag <dt> non è un <div>, è il tag oggetto per un <dl> (elenco di definizioni).

Answer 5

get_attr('a1') avrebbe dovuto probabilmente letto get_attr('id') e sarebbe stampare "A1"

Credo che ricevendo il contenuto del testo sarebbe simile:

while ( my $anchor = $parser->get_tag('div') ) {
  my $content = $parser-get_text('/div');
}

Se si intende il contenuto del testo del collegamento sarebbe:

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!;
    }