div 内のタグがわかっている場合、Perl の HTML モジュールを使用して div の内容を見つけるにはどうすればよいですか?

StackOverflow https://stackoverflow.com/questions/1692362

  •  18-09-2019
  •  | 
  •  

質問

正規表現で HTML を解析する方法を尋ねて少しバッシングされて以来 (当然のことですが)、私はずっと勉強してきました。 HTML::ツリービルダー, HTML::パーサー, HTML::TokeParser, 、 そして HTML::要素 Perl モジュール。

次のような HTML があります。

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

を解析したいのですが、 /45/subtitles-67624.asp, 、しかしそれよりも重要なことは divの内容を解析する方法を知りたい.

以前の質問で次の例を与えられました。

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!;
    }

これはその点では完璧に機能しましたが、少し編集して `div` で使用しようとすると機能しませんでした。私が試したコードは次のとおりです。

このコードを使用してみました:

while (my $anchor = $p->get_tag("dt")) {
  if($stuff = $anchor->get_attr('a1')) {
    print $stuff."\n";
  }
}
役に立ちましたか？

解決

HTML を考慮して特定の質問に対処するには、次のようにします。

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

あなたがアンカーテキストに興味があると仮定します。 ".45 (2006)", この場合は、アンカーが div ID付き 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>

出力：

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

他のヒント

(さらに別のモジュール!) を使用することもできます。 HTML::TreeBuilder::XPath, 、その名前の通り、HTML::TreeBuilder オブジェクトで XPath を使用できるようになります。

#!/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

使用するコード 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.
}

変更する必要があります get_attr("a1") に get_attr("id") ここ。の get_attr (x) という名前の属性を探しています x, ただし、属性の名前ではなく、属性の値を指定しています。

ちなみに、 <dt> タグはありません <div>, のアイテムタグです。 <dl> (定義リスト)。

get_attr('a1') おそらく読んだはずだ get_attr('id') そして「a1」と印刷されます

テキストコンテンツの取得は次のようになると思います。

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

または、リンクのテキストコンテンツを意味する場合は、次のようになります。

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!;
    }
ライセンス： CC-BY-SA と 帰属
所属していません StackOverflow
scroll top