Question

我正在尝试使用正则表达式解析多行html文件。

HTML code：

<td>Details</td></tr>  
<tr class=d1>
<td>uss_vod_translator</td>

正则表达式：

if ($line =~ m/Details<\/td>\s*<\/tr>\s*<tr\s*class=d1>\s*<td>(\w*)<\/td>/)
{
    print "$1";
}

我使用/s*（空格）来表示多行，但它不起作用。我搜索过它，甚至使用/\?来表示多行，但这也没有用。

任何人都可以建议我如何解析多行HTML吗？

我知道正则表达式是一种解析HTML的糟糕解决方案。但我有一个遗留的HTML代码，我需要解析，别无选择。

Answer 1

任何人都可以建议我如何解析多行HTML吗？

停止尝试使用正则表达式并使用将为您解析它的模块。

HTML::TreeBuilder是一个很好的解决方案。

HTML::TreeBuilder::LibXML为您提供相同的API，但由快速解析器支持。

HTML::TreeBuilder::XPath添加了XPath支持以及快速解析器。

Answer 2

如上所述永远不要使用正则表达式来解析HTML 。

我正在使用HTML :: TreeBuilder :: XPath来解析HTML，这个戏剧性地减少了我的每个抓取/解析程序的创建时间。

以下是您的任务实施方式：

use Modern::Perl;
use HTML::TreeBuilder::XPath;

my $html = <<END;
<tr><td>General Info</td></tr>  
<tr class=d1>
<td>some info</td></tr>
<tr><td>Details</td></tr>  
<tr class=d1>
<td>uss_vod_translator</td></tr>
<tr><td>Another header</td></tr>  
<tr class=d1>
<td>some other info</td></tr>
END

my $tree = HTML::TreeBuilder::XPath->new_from_content($html);

my ($details) = $tree->findvalues('//tr[ td[ text() = "Details" ] ]/following-sibling::tr[1]/td[1]');
say $details;

Answer 3

在匹配模式之前尝试以下行

 $line=~s/>(\n|\t|\s)+</></gs;

然后您可以将HTML字符串设置为单行。

正则表达式解析多行HTML

3 个答案: