2

我有一个如下的html：

<!DOCTYPE html
    PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN"
     "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml" lang="en-US" xml:lang="en-US">
<head>
<title></title>
<meta http-equiv="Content-Type" content="text/html; charset=iso-8859-1" />
</head>
<body bgcolor="white">

<h1>foo.c</h1>

<form method="post" action=""
        enctype="application/x-www-form-urlencoded">
  Compare this file to the similar file: 
  <select name="file2">

    <option value="...">...</option>


  </select>
  <input type="hidden" name="file1" value="foo.c" /><br>
  Show the results in this format: 
</form>
<hr>

<p>
<pre>
some code
</pre>

我需要获取输入名称 = 'file' 的值和 HTML pre 标记的内容。我不知道 perl 语言，通过谷歌搜索我写了这个小程序（我相信它不是“优雅的”）：

#!/usr/bin/perl

package MyParser;
use base qw(HTML::Parser);

#Store the file name and contents obtaind from HTML Tags
my($filename, $file_contents);

#This value is set at start() calls
#and use in text() routine..
my($g_tagname, $g_attr);


#Process tag itself and its attributes
sub start {
    my ($self, $tagname, $attr, $attrseq, $origtext) = @_;

    $g_tagname = $tagname;
    $g_attr = $attr;
}

#Process HTML tag body
sub text {
    my ($self, $text) = @_;

    #Gets the filename
    if($g_tagname eq "input" and $g_attr->{'name'} eq "file1") {
    $filename = $attr->{'value'};
    }

    #Gets the filecontents
    if($g_tagname eq "pre") {
    $file_contents = $text;
    }
}

package main;

#read $filename file contents and returns
#note: it works only for text/plain files.
sub read_file {
    my($filename) = @_;
    open FILE, $filename or die $!;
    my ($buf, $data, $n);
    while((read FILE, $data, 256) != 0) {
    $buf .= $data;
    }
    return ($buf);
}


my $curr_filename = $ARGV[0];
my $curr_file_contents = read_file($curr_filename);

my $parser = MyParser->new;
$parser->parse($curr_file_contents);

print "filename: ",$filename,"file contents: ",$file_contents;

然后我打电话./foo.pl html.html但我从$filename和得到空值$file_contents变量中得到空值。

如何解决这个问题？

4

3 回答 3

6

像往常一样，有不止一种方法可以做到这一点。以下是如何使用Mojolicious的DOM Parser来完成此任务：

#!/usr/bin/env perl

use strict;
use warnings;
use Mojo::DOM;

# slurp all lines at once into the DOM parser
my $dom = Mojo::DOM->new(do { local $/; <> });

print $dom->at('input[name=file1]')->attr('value');
print $dom->at('pre')->text;

输出：

foo.c
some code
于 2012-11-18T10:12:50.507 回答
5

使用和HTML::TreeBuilder::XPath Perl模块（很少行）：

#!/usr/bin/env perl
use strict; use warnings;
use HTML::TreeBuilder::XPath;

my $tree = HTML::TreeBuilder::XPath->new_from_content( <> );
print $tree->findvalue( '//input[@name="file1"]/@value' );
print $tree->findvalue( '//pre/text()' );

用法

./script.pl file.html

输出

foo.c
some code

笔记

  • 过去，我使用HTML::TreeBuilder模块进行一些网络抓取。现在，我不能回到复杂性。HTML::TreeBuilder::XPath用有用的Xpath表达式做所有的事情。
  • 您可以使用new_from_file方法来打开文件或文件句柄，而不是new_from_content，请参阅perldoc HTML::TreeBuilder（HTML::TreeBuilder::XPath从继承方法HTML::TreeBuilder）
  • <>此处允许以这种方式使用，因为HTML::TreeBuilder::new_from_content()特别允许以这种方式读取多行。大多数构造函数不允许这种用法。您应该提供一个标量或使用另一种方法。
于 2012-11-18T07:58:21.470 回答
4

您通常不想使用纯 HTML::Parser，除非您正在编写自己的解析模块或做一些通常很棘手的事情。在这种情况下，HTML::TreeBuilder是 HTML::Parser 的子类，是最容易使用的。

另外，请注意 HTML::Parser 有一个parse_file方法（而 HTML::TreeBuilder 使用方法更容易new_from_file，所以你不必做所有这些read_file事情（此外，还有比你选择File::Slurp的一个，包括和老do { local $/; <$handle> }把戏。

use HTML::TreeBuilder;

my $filename = $ARGV[0];
my $tree = HTML::TreeBuilder->new_from_file($filename);

my $filename = $tree->look_down(
    _tag => 'input',
    type => 'hidden',
    name => 'file1'
)->attr('value');

my $file_contents = $tree->look_down(_tag => 'pre')->as_trimmed_text;

print "filename: ",$filename,"file contents: ",$file_contents;

有关look_down、attr和的信息as_trimmed_text，请参阅HTML::Element文档；HTML::TreeBuilder 都是元素，并且可以与元素一起使用。

于 2012-11-18T06:45:42.630 回答