在perl中将字符串分成3部分答案

【问题标题】：Break a string in 3 parts in perl在perl中将字符串分成3部分
【发布时间】：2013-08-17 19:33:24
【问题描述】：

我有以下字符串：

my $string = "<b>My Name: John Smith < /br> </br>Rest of a big text bla bla bla …";

我想把它分成 3 个字符串。
一个有“我的名字：”
一个有“约翰·史密斯”
还有一个拥有其余文本，即其余大文本 bla bla bla
问题是“约翰史密斯”是一个变体。 IE。可以是任何名称，我想提取它。
我试过类似：
my @vals = split (/(My Name: John Smith :*+ )/, $string); 但这甚至无法编译。
我如何在 Perl 中做到这一点？

【问题讨论】：

不要使用正则表达式解析 HTML。使用适当的 HTML 解析模块。 您无法使用正则表达式可靠地解析 HTML，并且您将面临悲伤和挫败感。一旦 HTML 与您的期望发生变化，您的代码就会被破坏。有关如何使用已经编写、测试和调试过的 Perl 模块正确解析 HTML 的示例，请参阅 htmlparsing.com/perl。
对于这样的有限用途，正则表达式很好，事实上，或多或少有必要做一些 HTML 解析器不能/不会做的事情（例如在“我的名称”在同一标签内）。这实际上并不是解析 HTML，只是模式匹配恰好在 HTML 中的文本。
@AndyLester：我没有解析页面。我只需要这个字符串。它不是一个完整的页面，否则我会按照你说的做
split 要求您确定要返回的字符串之间的区别，但这在您的情况下很难确定，您仍然需要一些预处理或后处理来删除前导和尾随文本。 split 不是正确的选择。
为了解释@Sinan Ünür 的评论，在 HTML 中应该是  ，在 XHTML 中应该是   或  。  单独在两者中均无效。

标签： regex perl html-parsing

【解决方案1】：

一个简单的正则表达式应该可以工作。

my ($label, $name, $rest) = $string =~ m=<b>(.*?): (.*?) < /br> </br>(.*)=;
print "$label\n$name\n$rest\n";

请注意，< 和 / 之间的空格不是 HTML 中的正确语法，可能无法按您希望的方式呈现。

顺便说一句，你有没有注意到字符串中包含字符 U+2026？

【讨论】：

没有。你是怎么注意到的？
@Jim：我将字符串粘贴到我的编辑器（emacs）中，它告诉我它无法以纯 ASCII 格式保存。
仅供参考，U+2026为…

【解决方案2】：

#!/usr/bin/env perl

use utf8;
use 5.014;
use strict;
use warnings;
use open qw(:std :utf8);

use HTML::TokeParser::Simple;

my $html = q{<b>My Name: John Smith <br /> <br />Rest of a big text bla bla bla …};

my $parser = HTML::TokeParser::Simple->new(string => $html);

while (my $tag = $parser->get_tag('b')) {
    my $text = $parser->get_text('br');
    next unless my ($label, $name) = ($text =~ m{\A (My Name:) \s+ (.+) }xs);
    $name =~ s{\s+\z}{};
    $text = $parser->get_text('/b');
    $text =~ s{\A\s+}{};
    $text =~ s{\s+\z}{};
    say "|$_|" for $label, $name, $text;
}

【讨论】：

【解决方案3】：

my $string = "<b>My Name: John Smith < /br> </br>Rest of a big text bla bla bla …";

my @vals = 
  map { /(My Name:)\s*(.+)/ ? ($1,$2) : $_ } 
  grep length,
  split /\s* <.+?> \s*/x, $string;

use Data::Dumper; print Dumper \@vals;

输出

$VAR1 = [
          'My Name:',
          'John Smith',
          'Rest of a big text bla bla bla .'
        ];

【讨论】：

如果 丢失怎么办？
@Jim 好点；顺便说一句，您可以依赖字符串的哪些部分？

【解决方案4】：

使用正则表达式和预定义变量“$'”，它指的是字符串中匹配正则表达式的部分之后的部分！

【讨论】：