Question

我正在编写一个基本脚本，它只是从网页中提取所有链接。它是用Perl编写的，并使用了我通过CPAN安装的WWW :: Mechanize和HTML :: Treebuilder :: Xpath模块。

我知道只使用WWW :: Mechanize就可以轻松完成，但是我也希望学习使用XPath。

因此，脚本将解析整个网页，并检查每个锚标记的href属性，提取链接并将其打印到控制台/将其写入文件。请注意，在下面的脚本中，我没有使用use strict，因为我只是写这篇文章来澄清和理解使用XPath遍历HTML树的概念。

这是脚本：

#! /usr/bin/perl

use WWW::Mechanize;
use HTML::TreeBuilder::XPath;
use warnings;

$url="https://example.com";

$mech=WWW::Mechanize->new();
$mech->get($url);

$tree=HTML::TreeBuilder::XPath->new();

$tree->parse($mech->content);

$nodes=$tree->findnodes(q{'//a'}); # line is modified later.

foreach $node($nodes)
{
    print $node->attr('href');
}

它给出了一个错误：

Can't locate object method "attr" via package "XML::XPathEngine::Literal" at pagegetter.pl line 23.

我修改了脚本如下：

$nodes=$tree->findnodes(q{'//a/@href'});

while($node=$nodes->shift)
{
  print $node->attr('href');
}

错误：

Can't locate object method "shift" via package "XML::XPathEngine::Literal"

我不确定，如何打印href属性的值。

$ nodes应该包含所有href属性的列表？我相信它不存储值，而是指向它？

我尝试搜索和阅读示例，但我不知道该怎么做。

感谢。

Answer 1

有几个错误。修理：

# list context
my @nodes = $tree->findnodes(
    q{//a}       # just a string, not a string containings quotes
);

# iterate over array
for my $node (@nodes) {

HTML Treebuilder XPath提取链接

1 个答案: