如何使用Perl::Mechanize解析器迭代300页?
我已经编写了一个从页面中提取数据的小解析器如何使用Perl::Mechanize解析器迭代300页?,perl,parsing,mechanize,Perl,Parsing,Mechanize,我已经编写了一个从页面中提取数据的小解析器 use strict; use warnings FATAL => qw#all#; use LWP::UserAgent; use HTML::TreeBuilder::XPath; use Data::Dumper; my $handler_relurl = sub { q#https://europa.eu# . $_[0] }; my $handler_trim = sub { $_[0] =~ s#
use strict;
use warnings FATAL => qw#all#;
use LWP::UserAgent;
use HTML::TreeBuilder::XPath;
use Data::Dumper;
my $handler_relurl = sub { q#https://europa.eu# . $_[0] };
my $handler_trim = sub { $_[0] =~ s#^\s*(.+?)\s*$#$1#r };
my $handler_val = sub { $_[0] =~ s#^[^:]+:\s*##r };
my $handler_split = sub { [ split $_[0], $_[1] ] };
my $handler_split_colon = sub { $handler_split->( qr#; #, $_[0] ) };
my $handler_split_comma = sub { $handler_split->( qr#, #, $_[0] ) };
my $conf =
{
url => q#https://europa.eu/youth/volunteering/evs-organisation_en#,
parent => q#//div[@class="vp ey_block block-is-flex"]#,
children =>
{
internal_url => [ q#//a/@href#, [ $handler_relurl ] ],
external_url => [ q#//i[@class="fa fa-external-link fa-lg"]/parent::p//a/@href#, [ $handler_trim ] ],
title => [ q#//h4# ],
topics => [ q#//div[@class="org_cord"]#, [ $handler_val, $handler_split_colon ] ],
location => [ q#//i[@class="fa fa-location-arrow fa-lg"]/parent::p#, [ $handler_trim ] ],
hand => [ q#//i[@class="fa fa-hand-o-right fa-lg"]/parent::p#, [ $handler_trim, $handler_split_comma ] ],
pic_number => [ q#//p[contains(.,'PIC no')]#, [ $handler_val ] ],
}
};
print Dumper browse( $conf );
sub browse
{
my $conf = shift;
my $ref = [ ];
my $lwp_useragent = LWP::UserAgent->new( agent => q#IE 6#, timeout => 10 );
my $response = $lwp_useragent->get( $conf->{url} );
die $response->status_line unless $response->is_success;
my $content = $response->decoded_content;
my $html_treebuilder_xpath = HTML::TreeBuilder::XPath->new_from_content( $content );
my @nodes = $html_treebuilder_xpath->findnodes( $conf->{parent} );
for my $node ( @nodes )
{
push @$ref, { };
while ( my ( $key, $val ) = each %{$conf->{children}} )
{
my $xpath = $val->[0];
my $handlers = $val->[1] // [ ];
$val = ($node->findvalues( qq#.$xpath# ))[0] // next;
$val = $_->( $val ) for @$handlers;
$ref->[-1]->{$key} = $val;
}
}
return $ref;
}
乍一看,从一页到另一页的刮削问题可以通过不同的方法解决:
我们在页面底部有页码:例如,请参见:
http://europa.eu/youth/volunteering/evs-organisation_en?country=&topic=&field_eyp_vp_accreditation_type=All&town=&name=&pic=&eiref=&inclusion_topic=&field_eyp_vp_feweropp_additional_mentoring_1=&field_eyp_vp_feweropp_additional_physical_environment_1=&field_eyp_vp_feweropp_additional_other_support_1=&field_eyp_vp_feweropp_other_support_text=&&page=5
及
及
我们可以将此url设置为基础-
如果我们有一个数组,从中加载需要访问的URL-我们会遇到所有页面
注意:我们有6000多个结果,每一页上有21个代表一条记录的小条目:因此我们需要访问大约305页。
我们可以增加页数(如上图所示)并计数到305页
硬编码的总页数是不实际的,因为它可能会有所不同。我们可以:
-提取第一页的结果数,除以每页的结果数(21),然后四舍五入。
-从页面底部的“last”链接中提取url,创建URI对象并从查询字符串中读取页码
现在我想我得把所有的页面都循环一遍
my $url_pattern = 'https://europa.eu/youth/volunteering/evs-organisation_en&page=%s';
for my $page ( 0 .. $last )
{
my $url = sprintf $url_pattern, $page;
...
}
或者我尝试将分页合并到$conf中,可能是一个迭代器,每次调用它都会获取下一个节点…解析每个页面后,检查底部是否存在
next›
链接。当您到达第292页时,没有更多的页面,因此您可以退出循环,例如..soooo,问题是什么?如何在页面上循环-如何循环?我使用最后一个命令;它类似于C中的break语句(在循环中使用);它立即退出有问题的循环。如果省略标签,则命令将引用最内层的封闭循环。最后一个EXPR允许在运行时计算标签名,并且在其他方面与最后一个标签相同。继续块(如果有的话)不会执行:`LINE:while(){last LINE if/^$/;##在处理完头后退出#……}`我正在尝试将其合并到我的代码中。多亏了达西米使用了最后一个命令;它类似于C中的break语句(在循环中使用);它立即退出有问题的循环。如果省略标签,则命令将引用最内层的封闭循环。最后一个EXPR允许在运行时计算标签名,并且在其他方面与最后一个标签相同。继续块(如果有的话)不会执行:`LINE:while(){last LINE if/^$/;##在处理完头后退出#……}`我正在尝试将其合并到我的代码中。多亏了Daxim
http://europa.eu/youth/volunteering/evs-organisation_en?country=&topic=&field_eyp_vp_accreditation_type=All&town=&name=&pic=&eiref=&inclusion_topic=&field_eyp_vp_feweropp_additional_mentoring_1=&field_eyp_vp_feweropp_additional_physical_environment_1=&field_eyp_vp_feweropp_additional_other_support_1=&field_eyp_vp_feweropp_other_support_text=&&page=7
my $url_pattern = 'https://europa.eu/youth/volunteering/evs-organisation_en&page=%s';
for my $page ( 0 .. $last )
{
my $url = sprintf $url_pattern, $page;
...
}