个人中心
文章发布
退出
作者热门文章
- html - 出于某种原因，IE8 对我的 Sass 文件中继承的 html5 CSS 不友好？
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景？
24
4
我正在使用 TokeParser 来提取标签内容。
...
$text = $p->get_text("/td") ;
...
通常它会返回清理后的文本。我想要的是返回 td 和 /td 之间的所有内容，但包括所有其他 html 元素。怎么做。
我正在使用 this tutorial 中的示例。谢谢
在示例中，
my( $tag, $attr, $attrseq, $rawtxt) = @{ $token };
我相信 $rawtxt 有一些技巧。
最佳答案
HTML::TokeParser 没有内置功能来执行此操作。但是，可以通过查看 <td> 之间的每个标记来实现。单独的。
#!/usr/bin/perl
use strictures;
use HTML::TokeParser;
use 5.012;
# dispatch table with subs to handle the different types of tokens
my %dispatch = (
S => sub { $_[0]->[4] }, # Start tag
E => sub { $_[0]->[2] }, # End tag
T => sub { $_[0]->[1] }, # Text
C => sub { $_[0]->[1] }, # Comment
D => sub { $_[0]->[1] }, # Declaration
PI => sub { $_[0]->[2] }, # Process Instruction
);
# create the parser
my $p = HTML::TokeParser->new( \*DATA ) or die "Can't open: $!";
# fetch all the <td>s
TD: while ( $p->get_tag('td') ) {
# go through all tokens ...
while ( my $token = $p->get_token ) {
# ... but stop at the end of the current <td>
next TD if ( $token->[0] eq 'E' && $token->[1] eq 'td' );
# call the sub corresponding to the current type of token
print $dispatch{$token->[0]}->($token);
}
} continue {
# each time next TD is called, print a newline
print "\n";
}
__DATA__
<html><body><table>
<tr>
<td><strong>foo</strong></td>
<td><em>bar</em></td>
<td><font size="10"><font color="#FF0000">frobnication</font></font>
<p>Lorem ipsum dolor set amet fooofooo foo.</p></td>
</tr></table></body></html>
该程序将解析 __DATA__ 中的 HTML 文档。部分并打印 <td> 之间的所有内容，包括 HTML和</td> 。它将按 <td> 打印一行。 。让我们一步一步地看一下。
阅读 documentation 后，我了解到 HTML::TokeParser 中的每个标记都有一个与之关联的类型。有六种类型:S , E , T , C , D和PI 。医生说:
This method will return the next token found in the HTML document, or undef at the end of the document. The token is returned as an array reference. The first element of the array will be a string denoting the type of this token: "S" for start tag, "E" for end tag, "T" for text, "C" for comment, "D" for declaration, and "PI" for process instructions. The rest of the token array depend on the type like this:
["S", $tag, $attr, $attrseq, $text]
["E", $tag, $text]
["T", $text, $is_data]
["C", $text]
["D", $text]
["PI", $token0, $text]
我们想要访问$text存储在这些标记中，因为没有其他方法可以获取看起来像 HTML 标签的内容。因此我创建了一个 dispatch table在 %dispatch 中处理它们。它存储了一堆稍后调用的代码引用。
__DATA__ 读取了文档，这对于本例来说很方便。<td>通过使用get_tag方法。 @nrathaus 的评论向我指出了这一点。它将把解析器移动到开头 <td> 后的下一个标记。 。我们不关心什么get_tag返回，因为我们只想要 <td> 之后的标记.我们使用方法get_token获取下一个 token 并用它做一些事情:
</td> 。如果我们看到这一点，我们 next外层while循环标记为TD .continue block被调用并打印换行符。如果我们没有到达最后，神奇的事情就会发生:调度表；正如我们之前看到的，标记数组 ref 中的第一个元素保存类型。 %dispatch 中每种类型都有一个代码引用。 。我们调用它并传递完整的数组引用 $token去$coderef->(@args) 。我们在当前行打印结果。
这将产生类似 <strong> 的内容, foo , </strong>每次运行都是如此。
请注意，这仅适用于一张表。如果表中存在表(类似于 <td> ... <td></td> ... </td> )，则会中断。您必须对其进行调整以记住它的深度。
另一种方法是使用宫川的优秀Web::Scraper 。这样，我们的代码就少了很多:
#!/usr/bin/perl
use strictures;
use Web::Scraper;
use 5.012;
my $s = scraper {
process "td", "foo[]" => 'HTML'; # grab the raw HTML for all <td>s
result 'foo'; # return the array foo where the raw HTML is stored
};
my $html = do { local $/ = undef; <DATA> }; # read HTML from __DATA__
my $res = $s->scrape( $html ); # scrape
say for @$res; # print each line of HTML
这种方法还可以像魅力一样处理多维表。
关于Perl HTML::Tokeparser 获取标签之间的原始 html，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/20785388/
24
4
0
我需要您在以下方面提供帮助。近一个月来，我一直在阅读有关任务和异步的内容。 我想尝试在一个简单的 wep api 项目中实现我新获得的知识。我有以下方法，并且它们都按预期工作: public Htt
我的可执行 jar 中有一个模板文件 (.xls)。不需要在运行时我需要为这个文件创建 100 多个副本(稍后将唯一地附加)。用于获取 jar 文件中的资源 (template.xls)。我正在使用
我在查看网站的模型代码时对原型(prototype)有疑问。我知道这对 Javascript 中的继承很有用。 在这个例子中... define([], function () { "use
影响我性能的前三项操作是: 获取滚动条 获取偏移高度 Ext.getStyle 为了解释我的应用程序中发生了什么:我有一个网格，其中有一列在每个单元格中呈现网格。当我几乎对网格的内容做任何事情时，它运
我正在使用以下函数来获取 URL 参数。 function gup(name, url) { name = name.replace(/[\[]/, '\\\[').replace(/[\]]/,
我最近一直在使用 sysctl 来做很多事情，现在我使用 HW_MACHINE_ARCH 变量。我正在使用以下代码。请注意，当我尝试获取其他变量 HW_MACHINE 时，此代码可以完美运行。我还认为
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 关闭 9 年前。 要求提供代码的问题必须表现出对所解决问题的最低限度的理解。包括尝试过的解决方案、为什么
由于使用 main-bower-files 作为使用 Gulp 的编译任务的一部分，我无法使用 node_modules 中的 webpack 来require 模块code> dir 因为我会弄乱当
关闭。这个问题需要更多focused .它目前不接受答案。 想改进这个问题吗？ 更新问题，使其只关注一个问题 editing this post . 关闭 5 年前。 Improve this qu
我使用 Gridlayout 在一行中放置 4 个元素。首先，我有一个 JPanel，一切正常。对于行数变大并且我必须能够向下滚动的情况，我对其进行了一些更改。现在我的 JPanel 上添加了一个 J
由于以下原因，我想将 VolumeId 的值保存在变量中: #!/usr/bin/env python import boto3 import json import argparse import
我正在将 MSAL 版本 1.x 更新为 MSAL-browser 的 Angular 。所以我正在尝试从版本 1.x 迁移到 2.X.I 能够成功替换代码并且工作正常。但是我遇到了 acquireT
我知道有很多关于此的问题，例如 Getting daily averages with pandas和 How get monthly mean in pandas using groupby但我遇到
This is the query string that I am receiving in URL. Output url: /demo/analysis/test?startDate=Sat+
我正在尝试使用 javascript 中的以下代码访问 Geoserver 层 var gkvrtWmsSource =new ol.source.ImageWMS({ u
API 需要一个包含授权代码的 header 。这就是我到目前为止所拥有的: var fullUrl = 'https://api.ecobee.com/1/thermostat?json=\{"s
如何获取文件中的最后一个字符，如果是某个字符，则删除它而不将整个文件加载到内存中？ 这就是我目前所拥有的。 using (var fileStream = new FileStream("file.t
我是这个社区的新手，想出了我的第一个问题。 我正在使用 JSP，我成功地创建了 JSP-Sites，它正在使用jsp:setParameter 和 jsp:getParameter 具有单个字符串。
在回答 StoreStore reordering happens when compiling C++ for x86 @Peter Cordes 写过 For Acquire/Release se
我有一个函数，我们将其命名为 X1，它返回变量 Y。该函数在操作 .on("focusout", X1) 中使用。如何获取变量Y？执行.on后X1的结果？ 最佳答案 您可以更改 Y 的范围以使其位于函
我是一名优秀的程序员,十分优秀！