长版

Question

我需要为变量URL指定的电影提取IMDB ID（例如：对于电影300，它是tt0416449）。我查看了此page的页面源代码，并提出了以下正则表达式

use LWP::Simple;
$url = "http://www.imdb.com/search/title?title=$FORM{'title'}";

if (is_success( $content = LWP::Simple::get($url) ) ) {
    print "$url is alive!\n";
} else {
    print "No movies found";
}

$code = "";

if ($content=~/<td class="number">1\.</td><td class="image"><a href="\/title\/tt[\d]{1,7}"/s) {
    $code = $1;
}

我在此行收到内部服务器错误

$content=~/<td class="number">1\.</td><td class="image"><a href="\/title\/tt[\d]{1,7}"/s

我对perl很新，如果有人能指出我的错误，我将不胜感激。

Answer 1

使用an HTML parser。 Regular expressions cannot parse HTML.

无论如何，错误的原因可能是你忘了逃避你的正则表达式中的正斜杠。它应该是这样的：

/<td class="number">1\.<\/td><td class="image"><a href="\/title\/tt[\d]{1,7}"/s

Answer 2

Mojolicious发行版的一些工具为这类工作提供了一个非常好的界面。

长版

其UserAgent，DOM和URL类的组合可以非常强大的方式运行：

#!/usr/bin/env perl

use strict;
use warnings;
use feature 'say';
use Mojo::UserAgent;
use Mojo::URL;

# preparations
my $ua  = Mojo::UserAgent->new;
my $url = "http://www.imdb.com/search/title?title=Casino%20Royale";

# try to load the page
my $tx = $ua->get($url);

# error handling
die join ', ' => $tx->error unless $tx->success;

# extract the url
my $movie_link  = $tx->res->dom('a[href^=/title]')->first;
my $movie_url   = Mojo::URL->new($movie_link->attrs('href'));
say $movie_url->path->parts->[-1];

输出：

tt0381061

短版

有趣的单线程助手模块ojo有助于构建一个非常短的版本：

$ perl -Mojo -E 'say g("imdb.com/search/title?title=Casino%20Royale")->dom("a[href^=/title]")->first->attrs("href") =~ m|([^/]+)/?$|'

输出：

tt0381061

Answer 3

我同意XML是反线编辑因此反unix但是，有AWK。

如果awk可以做到，perl肯定能做到。我可以列出一个清单：

curl -s 'http://www.imdb.com/find?q=300&s=all' | awk -vRS='<a|</a>' -vFS='>|"' -vID=$1 '

$NF ~ ID && /title/ { printf "%s\t", $NF; match($2, "/tt[0-9]+/"); print substr($2, RSTART+1, RLENGTH-2)}
' | uniq

将搜索字符串传递给“ID”。基本上所有关于你如何在awk中选择你的标记器，我使用<a>标签。在perl中应该更容易。

Perl的hl正则表达式

3 个答案:

长版

短版