Perl与模式匹配

我一直在研究一种东西，它可以获取一个带有参考书目的html文件，并删除除作者之外的所有内容。我很难摆脱一些无关的数据，比如html标记中的字符。我希望能够去掉整个标签，或者更好，标签之间的特定数据

现在我的潜艇是这样的：

    sub extractAuthorsIntoArray{
        @author_array = split /[<>"\/?!.=\(\)1234567890':]/, $doc;
        foreach(@author_array){
            print "$_" . "\n";
        }
    }

子提取器AuthorsInToArray{
@作者数组=拆分/[“\/？！.=\（\）1234567890'：]/，$doc；
foreach（@author\u数组）{
打印“$\”。\n；
}
}

此时，它所做的是去掉所有的标记字符，但它留下了一堆我不想要的无关数据，如发布日期、发布名称和其他我不需要的数据。任何时候我都试图去掉这些数据，比如说“

“它给了我新的数据，这些字符完全丢失了。无论如何，我会继续努力的

拉特斯

编辑：

我想做的是采取如下措施：

my @entries = ($doc =~ m{ <li (?: \s [^>] )? > (.*?) </li> }xmsg);

Artem Chebotko和Shiyong Lu，“有效评估SPARQL嵌套可选图模式的嵌套可选连接”i> 语义网进化的进步概念：应用和发展，Miliadis Lytras和Amit Sheth（编辑），信息科学出版社，ISBN 160566992X，2010。

Artem Chebotko、Shiyong Lu、Farsad Fotouhi和Anthony Aristar，“语义网多媒体语言数据的基于本体的注释”i> 基于语义网络的信息系统：最新应用，Amit Sheth和Miliadis Lytras（编辑），IGI Global，ISBN 1599044269，2006。

结果是：

---

Artem Chebotko和Shiyong Lu我的建议是：不要使用正则表达式。相反，请使用CPAN提供的许多模块中的一个或多个。

我的建议：不要使用正则表达式。取而代之的是，使用CPAN提供的许多模块中的一个或多个模块。

如果不确定数据的结构，通常很难解决这个问题，但根据您的示例，我将假设作者始终是数据的第一个非标记内容，并以逗号结尾（这是一种非常常见的格式）

这意味着问题有两个部分：去掉所有初始HTML标记，然后删除逗号后面的所有内容

首先，HTML标记很容易识别，因为它以

结尾，不能包含这两个字符中的任何一个。因此：

$line =~ s{ \A \s* (?: < [^>]+ > \s* )+ }{}xms;

现在，假设每个条目都是程序中的单个标量。这掩盖了一个相当大的问题；如果您有一个包含整个页面的变量，则可能需要对其进行解析。如果每个条目都是一个

标记，则您要做的是提取每个
标记的内容，然后进行处理如上所述

为此，请在列表上下文中使用
/g
选项进行如下匹配：

my @entries = ($doc =~ m{ <li (?: \s [^>] )? > (.*?) </li> }xmsg);

my@entries=（$doc=~m{]）？>（.*？
}xmsg）；

---

这里还有一些更微妙的地方。

（？：）？

位在

之后，以允许该标记的任何属性。

（.*）

部分执行提取标记内容的实际工作。请注意

？

在

*

之后。这使得匹配不贪婪，这意味着它不会将所有内容匹配到文档中最后一个

标记，而是将所有内容匹配到第一个

标记。最后是

/g

修饰符要求尽可能多次重复此匹配，并返回捕获的内容

（）

作为列表。

如果不确定数据的结构，通常很难解决这个问题，但根据您的示例，我将假设作者始终是数据的第一个非标记内容，并以逗号（这是一种非常常见的格式）结尾

这意味着问题有两个部分：去掉所有初始HTML标记，然后删除逗号后面的所有内容

首先，HTML标记很容易识别，因为它以

结尾，不能包含这两个字符中的任何一个。因此：

$line =~ s{ \A \s* (?: < [^>]+ > \s* )+ }{}xms;

现在，假设每个条目都是程序中的单个标量。这掩盖了一个相当大的问题；如果您有一个包含整个页面的变量，则可能需要对其进行解析。如果每个条目都是一个

标记，则您要做的是提取每个
标记的内容，然后进行处理如上所述

为此，请在列表上下文中使用
/g
选项进行如下匹配：

my @entries = ($doc =~ m{ <li (?: \s [^>] )? > (.*?) </li> }xmsg);

my@entries=（$doc=~m{]）？>（.*？
}xmsg）；

---

这里还有一些更微妙的地方。

（？：）？

位在

之后，以允许该标记的任何属性。

（.*）

部分执行提取标记内容的实际工作。请注意

？

在

*

之后。这使得匹配不贪婪，这意味着它不会将所有内容匹配到文档中最后一个

标记，而是将所有内容匹配到第一个

标记。最后是

/g

修饰符要求尽可能多次重复此匹配，并返回捕获的内容

（）

作为列表。

这是一种非常……不寻常的……使用

split

的方法。当数据包含多个由分隔符分隔的数据项时，通常使用该方法来分割这些分隔符上的数据并检索单个项。这不是您在这里尝试的操作，因此

split

可能不是droid逗号你要找的那个

如前所述，一个合适的HTML解析器确实是正确的方法

#!/usr/bin/perl -w

use strict;
read DATA, my $string, -s DATA;
my @matches = ( $string =~ /<\s+li\s*(?:.*?)>(.+?),\s+<\s+b>/g );
print "$_\n\n" foreach (@matches);

__DATA__
< li value="2">Artem Chebotko and Shiyong Lu, < b>"Nested Optional Join for Efficient Evaluation of SPARQL Nested Optional Graph Patterns"< /b>. < i>Progressive Concepts for Semantic Web Evolution: Applications and Developments< /i>, Miltiadis Lytras and Amit Sheth (Eds.), Information Science Publishing, ISBN 160566992X, 2010.< br/>< br/>< /li> < li>Artem Chebotko, Shiyong Lu, Farshad Fotouhi, and Anthony Aristar, < b>"Ontology-Based Annotation of Multimedia Language Data for the Semantic Web"< /b>. < i>Semantic Web-Based Information Systems: State-of-the-Art Applications< /i>, Amit Sheth and Miltiadis Lytras (Eds.), IGI Global, ISBN 1599044269, 2006.< br/>< br/>< /li>

a) < li value="2">AUTHORS, < b>
b) < li>AUTHORS, < b>

< \s+ li \s+ value="2"> (.+), \s+ <\s+b>

< \s+ li> (.+), \s+ <\s+b>

<\s+li\s*(?:.*?)>(.+?),\s+<\s+b>