Question

我想从以下html块中提取信息，以使用HTML::TableExtract在Perl中提取带标题的特定列。

<tr>
<th>Lane</th>
<th>Sample ID</th>
<th>Sample Ref</th>
<th>Index</th>
<th>Description</th>
<th>Control</th>
<th>Project</th>
<th>Yield (Mbases)</th>
<th>% PF</th>
<th># Reads</th>
<th>% of raw clusters per lane</th>
<th>% Perfect Index Reads</th>
<th>% One Mismatch Reads (Index)</th>
<th>% of &gt;= Q30 Bases (PF)</th>
<th>Mean Quality Score (PF)</th>
</tr>
</table></div>
<div ID="ScrollableTableBodyDiv"><table width="100%">
<col width="4%">
<col width="5%">
<col width="19%">
<col width="8%">
<col width="7%">
<col width="5%">
<col width="12%">
<col width="7%">
<col width="4%">
<col width="5%">
<col width="4%">
<col width="5%">
<col width="6%">
<col width="5%">
<col>
<tr>
<td>1</td>
<td>test3_5_1</td>
<td></td>
<td>NoIndex</td>
<td></td>
<td></td>
<td>ABC</td>
<td>20,091</td>
<td>100.00</td>
<td>200,905,366</td>
<td>100.00</td>
<td>0.00</td>
<td>0.00</td>
<td>87.39</td>
<td>34.75</td>
</tr>
<tr>
<td>2</td>
<td>test5_1</td>
<td></td>
<td>NoIndex</td>
<td></td>
<td></td>
<td>ABC</td>
<td>10,280</td>
<td>100.00</td>
<td>102,799,692</td>
<td>100.00</td>
<td>0.00</td>
<td>0.00</td>
<td>89.60</td>
<td>35.57</td>
</tr>

这样我可以输出

    Lane    Sample ID   Sample Ref  Index   Description Control  Yield (Mbases) % of &gt;= Q30 Bases (PF)
1   test3_5_1       NoIndex         20,091  87.39
2   test5_1     NoIndex         10,280  89.6

列'Sample Ref'，'Description'，'Control'将为空，但必须打印。

我尝试过这样的事情

#!/usr/bin/perl
use strict;
use warnings;
use Data::Dumper;
use HTML::TableExtract;

my @header=("Lane", "Sample ID", "Sample Ref", "Index", "Description", "Control", " Yield (Mbases)", " % of &gt;= Q30 Bases (PF)");

my $te= new HTML::TableExtract (depth=>0, count=>1, headers=> \@header );
$te->parse_file('testhtml.txt');
my $table = $te->first_table_found;

   foreach my $table ( $te->tables ) {
        foreach  my $row ($table->rows) {
        no warnings "uninitialized";
        print "   ", join("\t", @$row), "\n";
       }
    }

我无法获得所需的输出。请帮助改进我的代码。感谢

Answer 1

罪魁祸首很可能是

头

作为数组引用传递，标头指定目标表中列顶部的感兴趣字符串。它们可以是字符串或正则表达式（qr //）。如果它们是字符串，它们最终将通过非锚定的，不区分大小写的正则表达式传递，因此允许使用正则表达式特殊字符。（强调我的）

一种选择是使用与要提取的每列对应的不同子字符串。另一种方法是将每个字符串传递给quotemeta。最后，您可以像qr/\QYield (Mbases)/或qr/\Q% of >= Q30 Bases (PF)/一样使用模式。我发现使用不同的子串更方便。毕竟，有时人们确实会更改列标题，但通常会有一些不同的子字符串，无论是否呈现都必须存在。

由于您未在示例中提供示例表主体，因此我使用keep_headers选项来显示某些输出。它还可以为您提供所使用的实际标题。

#!/usr/bin/env perl

use strict;
use warnings;

use HTML::TableExtract;

my $te = HTML::TableExtract->new(
    headers => [
        'Lane',
        'ID',
        'Ref',
        'Index',
        'Description',
        'Control',
        'Yield',
        'Q30 Bases',
    ],
    keep_headers => 1,
);

$te->parse_file(\*DATA);
my @rows = $te->first_table_found->rows;

for my $row (@rows) {
    print join("\n", map qq{'$_'}, @$row), "\n";
}

__DATA__
<div><table><tr>
<th>Lane</th>
<th>Sample ID</th>
<th>Sample Ref</th>
<th>Index</th>
<th>Description</th>
<th>Control</th>
<th>Project</th>
<th>Yield (Mbases)</th>
<th>% PF</th>
<th># Reads</th>
<th>% of raw clusters per lane</th>
<th>% Perfect Index Reads</th>
<th>% One Mismatch Reads (Index)</th>
<th>% of &gt;= Q30 Bases (PF)</th>
<th>Mean Quality Score (PF)</th>
</tr>
</table></div>

输出：

$ ./jj.pl
'Lane'
'Sample ID'
'Sample Ref'
'Index'
'Description'
'Control'
'Yield (Mbases)'
'% of >= Q30 Bases (PF)'

如何使用Perl HTML :: TableExtract从HTML文件中提取具有标题名称的特定列

1 个答案:

头