0

我正在尝试访问 .html 文件并提取<p>标签中的文本。从逻辑上讲，我下面的代码应该可以工作。通过使用 HTML::TreeBuilder。我解析 html，然后<p>使用 find_by_attribute("p") 提取文本。但是我的脚本出来的目录是空的。我遗漏了什么吗？

#!/usr/bin/perl

use strict;
use HTML::TreeBuilder 3;
use FileHandle;

my @task = ('ar','cn','en','id','vn');

foreach my $lang (@task) {
mkdir "./extract_$lang", 0777 unless -d "./extract_$lang";
opendir (my $dir, "./$lang/") or die "$!";
my @files = grep (/\.html/,readdir ($dir));
closedir ($dir);

foreach my $file (@files) {
    open (my $fh, '<', "./$lang/$file") or die "$!";
    my $root = HTML::TreeBuilder->new;
    $root->parse_file("./$lang/$file");
    my @all_p = $root->find_by_attribute("p");
    foreach my $p (@all_p) {
        my $ptag = HTML::TreeBuilder->new_from_content ($p->as_HTML);
        my $filewrite = substr($file, 0, -5); 
        open (my $outwrite, '>>', "extract_$lang/$filewrite.txt") or die $!;
        print $outwrite $ptag->as_text . "\n";  
        my $pcontents = $ptag->as_text;
        print $pcontents . "\n";
        close (outwrite);
    }
close (FH);
}
}

我的 .html 文件是来自 .asp 网站的纯文本 html，例如http://www.singaporemedicine.com/vn/hcp/med_evac_mtas.asp

我的 .html 文件保存在：

./ar/*
./cn/*
./en/*
./id/*
./vn/*
4

4 回答 4

5

您将element 与 attribute混淆了。该程序可以写得更简洁：

#!/usr/bin/env perl
use strictures;
use File::Glob qw(bsd_glob);
use Path::Class qw(file);
use URI::file qw();
use Web::Query qw(wq);
use autodie qw(:all);

foreach my $lang (qw(ar cn en id vn)) {
    mkdir "./extract_$lang", 0777 unless -d "./extract_$lang";
    foreach my $file (bsd_glob "./$lang/*.html") {
        my $basename = file($file)->basename;
        $basename =~ s/[.]html$/.txt/;
        open my $out, '>>:encoding(UTF-8)', "./extract_$lang/$basename";
        $out->say($_) for wq(URI::file->new_abs($file))->find('p')->text;
        close $out;
    }
}
于 2011-12-19T13:26:32.410 回答
3

用于find_by_tag_name搜索标签名称，而不是find_by_attribute.

于 2011-12-19T13:05:12.267 回答
3

你想要find_by_tag_name，而不是find_by_attribute：

my @all_p = $root->find_by_tag_name("p");

从文档：

$h->find_by_tag_name('tag', ...)

在列表上下文中，返回 $h 或以下具有任何指定标记名称的元素列表。在标量上下文中，返回第一个（在树的前序遍历中）找到的此类元素，如果没有，则返回 undef。

于 2011-12-19T13:05:21.453 回答
1

您可能想看看 Mojo::DOM，它允许您使用 CSS 选择器。

于 2011-12-19T15:34:03.280 回答