Question

使用正则表达式解析HTML是一个坏主意，但它似乎适合这种情况。

描述：给定.html文件，我必须解析内部链接，提取缩进级别，链接文本及其驻留的页码到外部.txt文件，然后传递给其他人。< / p>

所以给出了这个示例HTML：

<TR valign="bottom">
    <TD valign="top"><DIV style="margin-left:0px; text-indent:-0px"><A href="#101"><FONT style="font-variant:small-caps;">The &#147;Offering&#147;</FONT>
</A></DIV></TD>
    <TD>&nbsp;</TD>
    <TD nowrap align="right" valign="top">&nbsp;</TD>
    <TD align="right" valign="top">1</TD>
    <TD nowrap valign="top">&nbsp;</TD>
</TR>
<TR valign="bottom">
    <TD valign="top"><DIV style="margin-left:15px; text-indent:-0px"><A href="#102">Sales &#038; Property
</A></DIV></TD>
    <TD>&nbsp;</TD>
    <TD nowrap align="right" valign="top">&nbsp;</TD>
    <TD align="right" valign="top">2</TD>
    <TD nowrap valign="top">&nbsp;</TD>
</TR>

外部文件将产生：

0|The "Offering"|4
15|Sales & Property|5

（页码不同，因为它们是实际页码，而不是作品集参考号。）

除了1部分，当链接文本包含额外的HTML代码（例如第一个链接中的<Font>标记）时，我才会想到这一点。

这是我提取链接的正则表达式（注意$ string包含上面的html）：

while ($string =~ m/<DIV style="margin-left:([0-9]+)px; text-indent:[-0-9]+px"><A href="#([0-9]+)">([a-zA-Z0-9\.,:;&#\s]+)<\/A>/gi) {
    push(@indents,$1);
    push(@linkIDs,$2);
    push(@names,escapeHTML($3));
};

这将正确地提取第二个，但不是第一个，因为＆gt;＆lt;和HTML代码中的其他符号。

如果我将最后一个捕获组更改为.+或.*，我会获得整个HTML文件（在第一个<Div><A>和最后一个</A>之间。似乎模式从头开始，但从文件末尾向后匹配。

以下是在线正则表达式构建器的链接：http://regexr.com?2s0po
它正确地找到了我需要的东西，但是在Perl中我没有得到相同的结果（只是提到的整个文件）。

我似乎无法编写任何可以正确捕获每个组的内容 - 您会认为“光标”会向前移动并停在它从文件开头看到的第一个</A>。

非常感谢任何帮助或意见或指导。 - 谢谢你。

Answer 1

解析HTML或类似结构时，必须小心使用正则表达式。你正在尝试的正则表达式有两个问题：

嵌套标签（第一个条目中的font-tag）
换行符（在第一个关闭锚标记之前）

这是一个处理这些问题的正则表达式：

use HTML::Entities;
while ($string =~ m/<DIV style="margin-left:([0-9]+)px; text-indent:[-0-9]+px"><A href="#([0-9]+)">(.*?)<\/A>/gis) {
    my $indent = $1;
    my $page = $2;
    (my $name = $3) =~ s/\s+$//;
    $name =~ s/^\s+//;
    $name =~ s/<.*?>//g;
    print $indent, '|', decode_entities($name), '|', $page, "\n";
}

Answer 2

我不会用正则表达式来做这件事。

例如，使用HTML::TreeBuilder，您可以使用

构建树

#! /usr/bin/perl

use warnings;
use strict;

use HTML::TreeBuilder;
use HTML::TreeBuilder::XPath;

my $root = HTML::TreeBuilder->new_from_content(<<'EOHTML');
<TR valign="bottom">
    <TD valign="top"><DIV style="margin-left:0px; text-indent:-0px"><A href="#101"><FONT style="font-variant:small-caps;">The &#147;Offering&#147;</FONT>
</A></DIV></TD>
    <TD>&nbsp;</TD>
    <TD nowrap align="right" valign="top">&nbsp;</TD>
    <TD align="right" valign="top">1</TD>
    <TD nowrap valign="top">&nbsp;</TD>
</TR>
<TR valign="bottom">
    <TD valign="top"><DIV style="margin-left:15px; text-indent:-0px"><A href="#102">Sales &#038; Property
</A></DIV></TD>
    <TD>&nbsp;</TD>
    <TD nowrap align="right" valign="top">&nbsp;</TD>
    <TD align="right" valign="top">2</TD>
    <TD nowrap valign="top">&nbsp;</TD>
</TR>
EOHTML

然后使用HTML::TreeBuilder::XPath提取链接和缩进：

sub all_text {
  my($root) = @_;

  ref $root
    ? join "" => map all_text($_) => $root->content_list
    : $root;
}

foreach my $div ($root->findnodes('/html/body//div[.//a]')) {
  my $indent =
    $div->attr('style') =~ /\bmargin-left:\s*(\d+)/ ? $1 : 0;

  foreach my $a ($div->findnodes('.//a')) {
    (my $text = all_text $a) =~ s/\s+\z//;
    print "$indent|$text|FIXME\n";
  }
}

输出：

0|The �Offering�|FIXME
15|Sales & Property|FIXME

Answer 3

您可以尝试使用.+?或.*?进行非贪婪的匹配，以防止其对文件的其余部分进行诽谤。

Perl正则表达式只向前解析;不是最终开始

3 个答案: