Question

我有一个文件夹，它包含'n'个html文件。我会读取文件并取一行。（即）我将<img />标记放在一个数组中并打印数组。现在不打印数组。你能帮助我吗。我的代码在这里。

use strict;
use File::Basename;
use File::Path;
use File::Copy;
use Win32::OLE;
use Win32::OLE::Const 'Microsoft Excel';

print "Welcome to PERL program\n";

#print "\n\tProcessing...\n";
my $foldername = $ARGV[0];
opendir(DIR,$foldername) or die("Cannot open the input folder for reading\n");
my (@htmlfiles) = grep/\.html?$/i, readdir(DIR);
closedir(DIR);


@htmlfiles = grep!/(?:index|chapdesc|listdesc|listreview|addform|addform_all|pattern)\.html?$/i,@htmlfiles;
# print "HTML file is @htmlfiles";

my %fileimages;
my $search_for = 'img';
my $htmlstr;
for my $files (@htmlfiles)
{
    if(-e "$foldername\\$files")
    {
        open(HTML, "$foldername\\$files") or die("Cannot open the html files '$files' for reading");
        local undef $/;my $htmlstr=<HTML>;
        close(HTML);
        $fileimages{uc($2)}=[$1,$files] while($htmlstr =~/<img id="([^"]*)" src="\.\/images\/[^t][^\/<>]*\/([^\.]+\.jpg)"/gi);

    }
}

在命令提示符下。

perl findtext.pl“C：\ viji \ htmlfiles”

问候，viji

Answer 1

我想指出用正则表达式解析HTML是徒劳的。请参阅史诗https://stackoverflow.com/a/1732454/1521179了解答案。

提取图像标签的正则表达式非常破碎。您可以搜索字符串......而不是使用HTML解析器并遍历树。

/<img id="([^"]*)" src="\.\/images\/[^t][^\/<>]*\/([^\.]+\.jpg)"/gi

以<img
在一个空格之后，找到序列id="。如果找到该属性，则捕获该属性的内容，否则匹配失败。结束"已被消耗。
在一个空格之后，找到序列src="./images/，
后跟一个不是t的字符。（当然，这允许"。）
接下来是任何个字符，这些字符不是斜杠或<>字符（这又允许"），
然后是斜线。
现在抓住这个：
- 一个或多个不是点的字符
- 后跟后缀.jpg
之后必须立即"。

误报

以下是您的正则表达式匹配的一些数据，它不应该在哪里：

<ImG id="" src="./ImAgEs/s" alt="foo/bar.jpg"

那么你获得的图像路径是什么？ ./ImAgEs/s" alt="foo/bar.jpg可能不是您想要的。

<!-- <iMg id="" src="./images/./foobar.jpg" -->

糟糕，我匹配了评论内容。并且该路径不包含./images的子文件夹。 .文件夹在您的正则表达式中完全有效，但表示相同的文件夹。我甚至可以使用..，HTML文件的文件夹是什么。或者我可以使用./images/./t-rex/image.jpg与禁止的t - 文件夹相匹配的内容。

假阴性

以下是您想要的一些数据，但您不会得到：

<img
  id="you-cant-catch-me"
  src='./images/x/awesome.jpg' />

为什么呢？换行符 - 但您只允许参数之间的单个空格。此外，您不允许使用单引号'

<img src="./images/x/awesome.jpg" id="you-cant-catch-me" />

为什么呢？我现在有单个空格，但交换了参数。但是这两个片段都表示完全相同的DOM，因此应该被认为是等效的。

结论

转到http://www.cpan.org/并搜索HTML和Tree。使用模块解析HTML并遍历树并提取所有匹配的节点。

另外，在某处添加print语句。我找到了

 use Data::Dumper;
 print Dumper \%fileimages;

用于调试目的非常有启发性。

如何在perl中搜索和获取特定文本

1 个答案:

误报

假阴性

结论