Html 使用Perl';使用语法分析器从标记中提取URL
我试图解析HTML文档并提取URL,但无法确定如何获取“a”标记的href值。如果有帮助,我将查阅此文档: 问题在第三个“elsif”代码块内Html 使用Perl';使用语法分析器从标记中提取URL,html,perl,parsing,href,Html,Perl,Parsing,Href,我试图解析HTML文档并提取URL,但无法确定如何获取“a”标记的href值。如果有帮助,我将查阅此文档: 问题在第三个“elsif”代码块内 sub findTokens { my $htmlFileName = $_[0]; my $pagesDir = $_[1]; my %titles = %{$_[2]}; my %mapping = %{$_[3]}; my @outLinks; my $p = HTML::TokeParser->new("$pagesDir$htmlFil
sub findTokens {
my $htmlFileName = $_[0];
my $pagesDir = $_[1];
my %titles = %{$_[2]};
my %mapping = %{$_[3]};
my @outLinks;
my $p = HTML::TokeParser->new("$pagesDir$htmlFileName")
or die("Can't open $htmlFileName: \n");
my @tokens;
my $url = $mapping{$htmlFileName};
while (my $newChunk = $p->get_token) {
if ($newChunk->[0] eq 'T') {
my @lineArray = split(' ', $newChunk->[1]);
foreach my $i (@lineArray) {
if ( lc($i) =~ /^[a-z]*\-?\'?s?$/) {
push(@tokens, lc($i));
}
}
} elsif ($newChunk->[0] eq 'S') {
if ($newChunk->[1] eq 'title') {
$newChunk = $p->get_token;
$titles{$url} = $newChunk->[1];
#print $url;
#print $titles{$url};
}
} elsif ($newChunk->[0] eq 'S') {
if ($newChunk->[1] eq 'a') {
my %attr = %{$newChunk->[2]};
push(@outLinks, $attr{'href'});
}
}
}
return (\@tokens, \%titles, \@outLinks);
}IMHO,
HTML::
代表了古老的学校
因为我知道HTML::TreeBuilder::XPath
,所以我不能回到旧版本
你的帖子上的例子:
#!/usr/bin/env perl
use strict; use warnings;
use WWW::Mechanize;
use HTML::TreeBuilder::XPath;
my $m = WWW::Mechanize->new( autocheck => 1 );
$m->get("http://stackoverflow.com/q/13790575/465183");
my $tree = HTML::TreeBuilder::XPath->new_from_content( $m->content );
print join "\n", $tree->findvalues( './/a/@href' );
请参见如果您发布了“J/K修复了它,LOL,我喜欢含糊不清的文档”作为答案,我现在投票关闭此文档,因为它太本地化了。如果您要有指向Perl模块的链接,请使用或链接。(如果是Perl附带的,甚至可以使用链接。)更像是懒惰学校(不是说懒惰一定是坏事…)。这个解析器将以更少的运行时间和更少的内存使用率为您提供答案。HTBX将用更少的代码得到答案。@sputnick:HTBX=HTML::TreeBuilder::XPath