Question

我很确定这是非常基本的。但是我不知道Perl，只需要使用它一次。所以我感谢你的耐心等待。

我正在尝试从HTML下面的一行中删除不需要的文字：

    <a target="_blank"          href="http://sharepoint/sites/cerner/quickreferenceguides/Documents/EXP001_Run_Printable_TCI_List.pdf" onmouseover="return overlib('This guide outlines the process for running a printable TCI List', CAPTION, 'TCI LIST');" onmouseout="return nd();">Run Printable TCI List (<i>Revised<i>)</a>

我希望留下的只是Run Printable TCI List (Revised)，这是</a>之前的文字。我有大约500行这些行，因为它们将来可以改变，所以创建一个程序是有意义的。下面是我到目前为止的Perl代码：

open (SEARK, 'C:\\HTMLsorter\\sources.txt');
open (OUTSEARK, '>C:\\HTMLsorter\\outseark.txt');
while(<SEARK>) {
  chomp;

  if ($_=~/<a target/) {
    $_ =~ s/\<i>//g;
    $_ =~ s/\<\/i>//g;
    @itemsa = split(/>/);
    @itemsb = split(/</, $itemsa[1]);
    print OUTSEARK ("$itemsb[0]\n");
  }
}
close (SEARK);
close (OUTSEARK);

我相信你可以阅读这个，但只是为了解释我正在打开一个名为sources.txt的文件，其中有500行需要排序。输出文件为outseark.txt。到目前为止它将输出：

Run Printable TCI List (Revised)

这显然是由于针对箭头内部和周围的所有事物的分裂。我是如何将斜体保留在括号内的？留下来：

Run Printable TCI List (<i>Revised<i>)

感谢您的光临。

Answer 1

#!/usr/bin/perl
use strict;
use warnings;

open IFH, '<myfile.txt';
open OFH, '>output.txt';

while (<IFH>) {
  if (/<a\s+target.*?>(.*?)<\/a>/i)
  {
    $_ = $1;
    s/<.*?>//g;
    print OFH "$_\n";
  }
}

close IFH;
close OFH;

Answer 2

你可以在一个班轮上做到这一点。

cat inputfile|perl -ne 'if (s#<a\s+target[^>]+>(.+?)</a>##is){print "$1\n";}'>outputfile

它正在运作：

echo '<a target="_blank"          href="http://sharepoint/sites/cerner/quickreferenceguides/Documents/EXP001_Run_Printable_TCI_List.pdf" onmouseover="return overlib('This guide outlines the process for running a printable TCI List', CAPTION, 'TCI LIST');" onmouseout="return nd();">Run Printable TCI List (<i>Revised<i>)</a>
<a target="_blank"          href="http://sharepoint/sites/cerner/quickreferenceguides/Documents/EXP001_Run_Printable_TCI_List.pdf" onmouseover="return overlib('This guide outlines the process for running a printable TCI List', CAPTION, 'TCI LIST');" onmouseout="return nd();">Run Printable TCI List 1(<i>Revised<i>)</a>
<a target="_blank"          href="http://sharepoint/sites/cerner/quickreferenceguides/Documents/EXP001_Run_Printable_TCI_List.pdf" onmouseover="return overlib('This guide outlines the process for running a printable TCI List', CAPTION, 'TCI LIST');" onmouseout="return nd();">Run Printable TCI List 2(<i>Revised<i>)</a>
<a target="_blank"          href="http://sharepoint/sites/cerner/quickreferenceguides/Documents/EXP001_Run_Printable_TCI_List.pdf" onmouseover="return overlib('This guide outlines the process for running a printable TCI List', CAPTION, 'TCI LIST');" onmouseout="return nd();">Run Printable TCI List 3(<i>Revised<i>)</a>'|\
perl -ne 'if (s#<a\s+target[^>]+>(.+?)</a>##is){print "$1\n";}'

Run Printable TCI List (<i>Revised<i>)
Run Printable TCI List 1(<i>Revised<i>)
Run Printable TCI List 2(<i>Revised<i>)
Run Printable TCI List 3(<i>Revised<i>)

Answer 3

您应该使用正确的HTML解析器，例如HTML::TreeBuilder。代码并不复杂，因为该程序演示了

use strict;
use warnings;

use HTML::TreeBuilder;

my $tree = HTML::TreeBuilder->new_from_file(*DATA);

print $_->as_text, "\n" for $tree->look_down(_tag => 'a', target => qr/./);

__DATA__
    <a target="_blank"          href="http://sharepoint/sites/cerner/quickreferenceguides/Documents/EXP001_Run_Printable_TCI_List.pdf" onmouseover="return overlib('This guide outlines the process for running a printable TCI List', CAPTION, 'TCI LIST');" onmouseout="return nd();">Run Printable TCI List (<i>Revised<i>)</a>

<强>输出

Run Printable TCI List (Revised)

修改

要在示例中的文件中使用此技术，代码如下所示

use strict; use warnings; use HTML::TreeBuilder; my $tree = HTML::TreeBuilder->new_from_file('C:\HTMLsorter\sources.txt'); open my $out, '>', 'C:\HTMLsorter\outseark.txt' or die $!; print $out $_->as_text, "\n" for $tree->look_down(_tag => 'a', target => qr/./);

修改2

现在我更了解您的需求，我可以提供这种替代解决方案。它使用HTML::DOM模块访问HTML文档的文档对象模型，因为获取HTML::TreeBuilder所需的结果相对困难。

我还注意到您的示例HTML包含Revised，显然应该是Revised，我已经针对此示例测试对其进行了更正。无论如何，Perl试图像浏览器那样解析坏HTML，即使出现错误，输出也是可用的。

use strict; use warnings; use HTML::DOM; my $dom = HTML::DOM->new; $dom->parse_file('C:\HTMLsorter\sources.txt') or die $!; open my $out, '>', 'C:\HTMLsorter\outseark.txt' or die $!; print $out $_->innerHTML, "\n" for grep $_->attr('target'), $dom->getElementsByTagName('a');

<强>输出

（标签已更正）

Run Printable TCI List (Revised)

（使用原始标签）

Run Printable TCI List (Revised)

Perl脚本将单词从一个文件删除到输出文件

3 个答案: