在 html/xhtml 中解析 RDFa？

Question

在 perl 中使用 RDF::RDFa::Parser 模块将 rdf 数据解析出网站。 在带有 !DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"> 的网站上它可以工作，但是在使用 xhtml !DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN 的网站上" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">没有输出...

测试网站->http://www.filmstarts.de/kritiken/186918.html

use RDF::RDFa::Parser;

my $url     = 'http://www.filmstarts.de/kritiken/186918.html';
my $options = RDF::RDFa::Parser::Config->tagsoup;
my $rdfa    = RDF::RDFa::Parser->new_from_url($url, $options);

print $rdfa->opengraph('image');
print $rdfa->opengraph('description');

Answer 1

（我是RDF::RDFa::Parser的作者。）

看起来 RDFa 解析器使用的 HTML 解析器在该页面上失败了。 （我也是相关 HTML 解析器的维护者，所以我不能把责任推给其他人！）因此，当 RDFa 解析开始时，它所看到的只是一棵空的 DOM 树。

页面是quite hideously invalid XHTML，但我仍然希望 HTML 解析器能够完成合理的工作。我有filed a bug report for you。

与此同时，一种解决方法可能是在RDF::RDFa::Parser 之外构建XML::LibXML DOM 树（也许使用libxml 的内置HTML 解析器？）。您可以将该树直接传递给 RDFa 解析器：

use RDF::RDFa::Parser;
use LWP::Simple qw(get);

my $url     = 'http://www.filmstarts.de/kritiken/186918.html';
my $xhtml   = get($url);
my $dom     = somehow_build_a_dom_tree($xhtml);  # hand-waving!!
my $options = RDF::RDFa::Parser::Config->tagsoup;
my $rdfa    = RDF::RDFa::Parser->new($dom, $url, $options);

print $rdfa->opengraph('image');
print $rdfa->opengraph('description');

希望对你有帮助！

更新：这是somehow_build_a_dom_tree的可能实现...

sub somehow_build_a_dom_tree {
    my $p = XML::LibXML->new;
    $p->recover_silently(1);
    $p->load_html( string => @_ );
}