Question

我正在解析HTML，获取与特定网址匹配的所有href（让我们称之为“目标网址”），然后获取锚文本。我尝试过LinkExtractor，TokenParser，Mechanize，TreeBuilder模块。对于以下HTML：

 <a href="target_url">
 <img src=somepath/nw.gf alt="Open this result in new window"> 
 </a>

所有这些都将“在新窗口中打开此结果”作为锚文本。理想情况下，我希望看到空白值或返回“image”之类的字符串，以便我知道没有锚文本，但href仍然与目标网址匹配（ http://www.yahoo.com 在这种情况下）。有没有办法使用其他模块或Perl正则表达式获得所需的结果？

谢谢，

Answer 1

您应该发布一些您尝试使用“ LinkExtractor，TokenParser，Mechanize＆amp; TreeBuilder ”的示例，以便我们为您提供帮助。

以下是pQuery中适合我的内容：

use pQuery;

my $data = '
  <html>
    <a href="http://www.something.com">Not yahoo anchor text</a>
    <a href="http://www.yahoo.com"><img src="somepath/nw.gif" alt="Open this result in new window"></img></a>
    <a href="http://www.yahoo.com">just text for yahoo</a>
    <a href="http://www.yahoo.com">anchor text only<img src="blah" alt="alt text"/></a>
  </html>
';

pQuery( $data )->find( 'a' )->each(
    sub {
        say $_->innerHTML 
            if $_->getAttribute( 'href' ) eq 'http://www.yahoo.com';
    }
);

# produces:
#
# => <img alt="Open this result in new window" src="somepath/nw.gif"></img>
# => just text for yahoo
# => anchor text only<img /="/" alt="alt text" src="blah"></img>
#

如果你只想要文字：

pQuery( $data )->find( 'a' )->each(
    sub {
        return unless $_->getAttribute( 'href' ) eq 'http://www.yahoo.com';

        if ( my $text = pQuery($_)->text ) { say $text }
    }
);

# produces:
#
# => just text for yahoo
# => anchor text only
#

/ I3az /

Answer 2

使用正确的解析器（如HTML :: Parser或HTML :: TreeBuilder）。使用正则表达式来解析SGML（包含HTML / XML）并不是那么有效，因为有趣的多行标记和属性就像你遇到过的那样。

Answer 3

如果您正在使用的HTML非常接近良好形成，您通常可以将其加载到支持HTML的XML模块中，并使用它来查找和提取您感兴趣的文档部分的数据。我选择的方法是XML :: LibXML和XPath。

use XML::LibXML;

my $parser = XML::LibXML->new();
my $html = ...;
my $doc = $parser->parse_html_string($html);

my @links = $doc->findnodes('//a[@href = "http://example.com"]');
for my $node (@links) {
    say $node->textContent();
}

传递给findnodes的字符串是一个XPath表达式，它查找$ doc的所有'a'元素后代，其href属性等于“http://example.com”。

如何在Perl中提取包装在锚点中的HTML img标签？

3 个答案: