如何从 Perl 中的 HTML 表中提取数据？

Question

可能重复：
Can you provide an example of parsing HTML with your favorite parser?
How can I extract content from HTML files using Perl?

---

我正在尝试在 Perl 中使用正则表达式来解析具有以下结构的表。第一行如下：

<tr class="Highlight"><td>Time Played</a></td><td></td><td>Artist</td><td width="1%"></td><td>Title</td><td>Label</td></tr>

这里我想取出“Time Played”、“Artist”、“Title”和“Label”，并将它们打印到输出文件中。

任何帮助将不胜感激！

好的，抱歉...我尝试了很多正则表达式，例如：

$lines =~ / (<td>) /
       OR
$lines =~ / <td>(.*)< /
       OR
$lines =~ / >(.*)< /

我当前的程序如下所示：

#!perl -w

open INPUT_FILE, "<", "FIRST_LINE_OF_OUTPUT.txt" or die $!;

open OUTPUT_FILE, ">>", "PLAYLIST_TABLE.txt" or die $!;

my $lines = join '', <INPUT_FILE>;

print "Hello 2\n";

if ($lines =~ / (\S.*\S) /) {
print "this is 1: \n";
print $1;
    if ($lines =~ / <td>(.*)< / ) {
    print "this is the 2nd 1: \n";
    print $1;
    print "the word was: $1.\n";
    $Time = $1;
    print $Time;
    print OUTPUT_FILE $Time;
    } else {
    print "2ND IF FAILED\n";
    }
} else { 
print "THIS FAILED\n";
}

close(INPUT_FILE);
close(OUTPUT_FILE);

Answer 1

不要使用正则表达式来解析 HTML。有大量的 CPAN 模块可以更有效地为您做到这一点。

• Can you provide some examples of why it is hard to parse XML and HTML with a regex?
• Can you provide an example of parsing HTML with your favorite parser?
• HTML::Parser
• HTML::TreeBuilder
• HTML::TableExtract

Answer 2

使用HTML::TableExtract。真的。

#!/usr/bin/perl

use strict;
use warnings;

use HTML::TableExtract;
use LWP::Simple;

my $file = 'Table3.htm';
unless ( -e $file ) {
    my $rc = getstore(
        'http://www.ntsb.gov/aviation/Table3.htm',
        $file);
    die "Failed to download document\n" unless $rc == 200;
}

my @headers = qw( Year Fatalities );

my $te = HTML::TableExtract->new(
    headers => \@headers,
    attribs => { id => 'myTable' },
);

$te->parse_file($file);

my ($table) = $te->tables;

print join("\t", @headers), "\n";

for my $row ($te->rows ) {
    print join("\t", @$row), "\n";
}

这就是我在另一篇文章中“特定任务”HTML 解析器的意思。

您可以通过将精力集中在阅读一些文档上而不是把正则表达式扔到墙上看看是否有卡住，从而节省大量时间。

Answer 3

这很简单：

my $html = '<tr class="Highlight"><td>Time Played</a></td><td></td><td>Artist</td><td width="1%"></td><td>Title</td><td>Label</td></tr>';
my @stuff = $html =~ />([^<]+)</g;
print join (", ", @stuff), "\n";

如果您想尝试运行它，请参阅http://codepad.org/qz9d5Bro。