Question

我在Perl中使用HTML::TreeBuilder从html标记中提取一些文本。然后我使用$tree->look_down方法获取我想要的标签。

但是，我要返回的文字可以是几种不同的语言，包括非拉丁字符。

如果我执行以下操作，我将获得字符的unicode十六进制字符串（例如ْ），但也会获得html标记（例如div，span等）：

my $valText = $text[0]->as_HTML();

如果我执行以下操作，我将仅获取打印字符（例如中文，阿拉伯语等），但不会获得unicode十六进制字符串

my $valText = $text[0]->as_text;

如何才能获得unicode十六进制字符串和没有标记？

Answer 1

我建议你在字符串上使用表达式替换

而不是试图让模块做一些它没有设计的东西。

该程序将字符串中所有非ASCII字符的表示形式更改为十六进制字符实体。我已经使用了U+0652 ARABIC SUKUN，因为这是问题中的例子，但是你可能知道这是一个很小的非间距标记，所以我担心它不是{＆1;}。在输出中非常明显！（这就是你想要看到十六进制实体值的原因吗？）

use utf8;
use strict;
use warnings;
use v5.10;

use open qw/ :std :encoding(utf-8) /;

my $s = "abc\x{0652}xyz";
say $s;

$s =~ s/([\x{80}-\x{ffff}])/sprintf '&#x%04x;', ord $1/ge;
say $s;

输出

abcْxyz
abc&#x0652;xyz

Answer 2

我能想到的最简单的方法是从as_HTML（）的结果中删除标签：

my $valText = $text[0]->as_HTML();
# strip away all the tags
$vatText =~ s/<.*?>//g;

使用HTML :: Element提取Unicode Hex字符串

2 个答案:

输出