我试图从一个结构完美的网页中提取相当多的数据,并在Mojo::DOM
方法上苦苦挣扎。如果有人能指出我正确的方向,我将不胜感激。
带有有趣数据的截断 HTML 如下:
<div class="post" data-story-id="3964117" data-visited="false">//extracting story-id
<h2 class="post_title page_title"><a href="http://example.com/story/some_url" class="to-comments">header.</a></h2>
//useless data and tags
<a href="http://example.com/story/some_url" class="b-story__show-all">
<span>useless data</span>
</a>
<div class="post_tags">
<ul>
<li class="post_tag post_tag_strawberry hidden"><a href="http://example.com/search.php?n=32&r=3"> </a></li>
<li class="post_tag"><a href="http://example.com/tag/tag1/hot">tag1</a></li>
<li class="post_tag"><a href="http://example.com/tag/tag2/hot">tag2</a></li>
<li class="post_tag"><a href="http://example.com/tag/tag1/hot">tag3</a></li>
</ul>
</div>
<div class="post_actions_box">
<div class="post_rating_box">
<ul data-story-id="3964117" data-vote="0" data-can-vote="true">
<li><span class="post_rating post_rating_up control"> </span></li>
<li><span class="post_rating_count control label">1956</span></li> //1956 - interesting value
<li><span class="post_rating post_rating_down control"> </span></li>
</ul>
</div>
<div class="post_more_box">
<ul>
<li>
<span class="post_more control"> </span>
</li>
<li>
<a class="post_comments_count label to-comments" href="http://example.com/story/some_url#comments">132 <i> </i></a>
</li>
</ul>
</div>
</div>
</div>
我现在拥有的是
use strict;
use warnings;
use Data::Dumper;
use Mojo::DOM;
my $file = "index2.html";
local( $/, *FH ) ;
open( FH, $file ) or die "sudden flaming death\n";
my $text = <FH>;
my $dom = Mojo::DOM->new;
$dom->parse($text);
my $ids = $dom->find('div.post')
->each (sub {print $_->attr('data-story-id'), "\n";});
$dom->find('a.to-comments')->each (sub {print $_->text, "\n";});
这种混乱data-story-id
从 src 和标头值中提取(与 href 值测试相同),但我所有其他尝试都失败了。
3964117
Header
132
未提取“post_rating_count 控制标签”。我可以通过搜索a.to-comments
和返回获得第一个 href 值attr('href')
,但由于某种原因,它也会返回我在段末尾的链接值class="post_comments_count label to-comments"
。标题值提取也是如此。
最后,我正在寻找一个具有以下字段的数据结构的数组:
- 故事ID(这是成功的)
- href (不知何故,匹配比需要的更多。)
- 标头(不知何故,匹配超出了需要。)
- 字符串形式的标签列表(不知道怎么做)
更何况,我觉得可以优化代码,让它看起来更好一点,但我的功夫没有那么强。