Question

我遇到了与我想要抓的网站有关的另一个问题。

基本上我从页面内容中剥离了大部分我不想要的内容，并感谢here已经设法隔离我想要的日期的一些帮助。尽管一些初始问题与不间断的空间相匹配，但大多数似乎都工作正常。但是，我现在对最终正则表达式有困难，最终正则表达式旨在将每行数据拆分为字段。每一行代表股价指数的价格。每行的字段是：

由拉丁字母表中的字符组成的任意长度的名称，有时是逗号或符号，没有数字。
小数点后两位数的数字（索引的绝对值）。
小数点后两位数的数字（值的变化）。
小数点后有两位数的数字，后跟百分号（值的百分比变化）。

以下是拆分前的示例字符串： “渔业，农业和林业243.45-1.91-0.78％采矿360,74-4.15-1.14％建筑465.36-1.01-0.22％食品783.2511.281.46％纺织品和服装412.070.540.13％纸浆和纸张333。 31-0.29-0.09％化学品729.406.010.83％“

我用来分割这一行的正则表达式是：

$mystr =~ s/\n(.*?)(\d{1,4}\.\d{2})(\-?\d{1,3}\.\d{2})(.*?%)\n/\n$1 == $2 == $3 == $4\n/ig;

它有时有效，但有时无效，我无法弄清楚为什么会这样。（下面示例输出中的加倍等号用于使字段拆分更容易看到。）

Fishery, Agriculture & Forestry == 243.45 == -1.91 == -0.78%
Mining360.74-4.15-1.14%
Construction == 465.36 == -1.01 == -0.22%
Foods783.2511.281.46%

我认为对于那些看到指数价格出现负面变化的指数来说，减号是一个问题，但有时尽管有减号，它仍有效。

Q值。为什么下面显示的最终正则表达式无法一致地分割字段？

示例代码如下。

#!/usr/bin/perl -w
use strict;
use LWP::Simple;
use HTML::Tree;

my $url_full = "http://www.tse.or.jp/english/market/STATISTICS/e06_past.html";

my $content = get($url_full);
# get dates:
(my @dates) = $content =~ /(?<=dateFormat\(')\d{4}\/\d{2}\/\d{2}(?='\))/g;
foreach my $date (@dates) { # convert to yyyy-mm-dd
    $date =~ s/\//-/ig;
}
my $tree = HTML::Tree->new();
$tree->parse($content);
my $mystr = $tree->as_text;

$mystr =~ s/\xA0//gi; # remove non-breaking spaces
# remove first chunk of text:
$mystr =~
  s/^(TSE.*?)IndustryIndexChange ?/IndustryIndexChange\n$dates[0]\n\n/gi;
$mystr =~ s/IndustryIndexChange ?/IndustryIndexChange/ig;
$mystr =~ s/IndustryIndexChange/Industry Index Change\n/ig;
$mystr =~ s/% /%\n/gi; # percent symbol is market for end of line
# indicate breaks between days:
$mystr =~ s/Stock.*?IndustryIndexChange/\nDAY DELIMITER\n/gi;
$mystr =~ s/Exemption from Liability.*$//g; # remove boilerplate at bottom

# and here's the problem regex...
# try to split it:
$mystr =~
  s/\n(.*?)(\d{1,4}\.\d{2})(\-?\d{1,3}\.\d{2})(.*?%)\n/\n$1 == $2 == $3 == $4\n/ig;

print $mystr;

Answer 1

它似乎正在做其他每一个。

我的猜测是，您的记录之间只有一个\n，但您的模式以\n开头和结尾。因此，第一场比赛的最终\n将消耗第二场比赛找到第二场比赛所需的\n。最终结果是，它获得了所有其他记录。

最好不要在^和$（而不是\n和\n）中包装您的模式，并使用m标记。 s///。

Answer 2

问题是你在正则表达式的开头和结尾都有\n。

考虑这样的事情：

$s = 'abababa';
$s =~ s/aba/axa/g;

将$s设置为axabaxa，不 axaxaxa，因为aba只发生了两次非重叠事件。

Answer 3

我的解释（伪代码） -

one   = [a-zA-Z,& ]+
two   = \d{1,4}.\d\d
three = <<two>>
four  = <<two>>%

regex = (<<one>>)(<<two>>)(<<three>>)(<<four>>)
      = ([a-zA-Z,& ]+)(\d{1,4}.\d\d)(\d{1,4}.\d\d)(\d{1,4}.\d\d%)

但是，您已经以HTML的形式呈现了“结构化”数据。为什么不利用这个呢？

HTML parsing in perl引用了MOJO 对于perl中基于DOM的解析，除非有严重的性能原因，我强烈推荐这种方法。

Perl：为什么这个web scraper正则表达式工作不一致？

3 个答案: