在 perl 中使用 url 解析特定 html 表的好习惯答案

【问题标题】：Good practice parsing specific html table with urls in perl在 perl 中使用 url 解析特定 html 表的好习惯
【发布时间】：2012-02-21 20:23:42
【问题描述】：

给定一个带有如下表格数据的 html...

<tr class=nbg1><td><A HREF=api.dll?pgm=cdq32&p1=oavmsd&p2=fg3m9s5d&p3=&cmd=w1d27d0id9654&hl=antibio&lstid=026>Nadifloxacin</A></td><td>Aknetherapeutikum Antibiotikum (Gyrasehemmer)</td><td>WST</td><td></td></tr>
<tr class=nbg2><td><A HREF=api.dll?pgm=cdq32&p1=oavmsd&p2=fg3m9s5d&p3=&cmd=w1d27d0id9728&hl=antibio&lstid=026>Ertapenem</A></td><td>Antibiotikum</td><td>WST</td><td></td></tr>
<tr class=nbg1><td><A HREF=api.dll?pgm=cdq32&p1=oavmsd&p2=fg3m9s5d&p3=&cmd=w1d27d0id9761&hl=antibio&lstid=026>Panipenem</A></td><td>Beta-Lactam-Antibiotikum</td><td>WST</td><td></td></tr>
<tr class=nbg2><td><A HREF=api.dll?pgm=cdq32&p1=oavmsd&p2=fg3m9s5d&p3=&cmd=w1d27d0id10302&hl=antibio&lstid=026>Prulifloxacin</A></td><td>Antibiotikum (Gyrasehemmer)</td><td>WST</td><td></td></tr>
</table></td>
<td width=15></td><td valign=top nowrap class=NBG1>
<TABLE width="200" border="0" cellspacing="0" cellpadding="2">
<TR><TD CLASS="NBG2">
</TD></TR></TABLE><BR>

我需要解析 url 和 url 描述，其中提取的 url 将用于进一步解析子页面。什么是完成此任务的好习惯，尤其是获取 url。

当前代码：

my $te = HTML::TableExtract->new( depth => 3, count => 0 ); 
$te->parse($mainpage); 
my $ts = ""; 
my $row = ""; 
foreach $ts ($te->tables) { 
   foreach $row ($ts->rows) { 
      print @$row[0] . "\n"; 
   } 
}

【问题讨论】：

标签： perl html-table html-parsing

【解决方案1】：

HTML::TableExtract 可以帮助您准确处理表格。

【讨论】：

我需要将“api.dll?pgm=cdq32&p1=oavmsd&p2=fg3m...”放入变量中

【解决方案2】：

如果您只想从该表中的每个 a' 元素中提取 href 属性，则无需使用 TableExtract，只需使用 HTML::Query

my $qry = HTML::Query->new(text => $mainpage);


my @hrefs = map { $_->attr('href') } grep { m/api\.dll/i } $qry->query('tr > td > a')->get_elements();

没有经过测试，但你明白了......

【讨论】：

当然，但是 HTML::Query 在 Debian 5 的默认存储库中不可用，它将是另一个模块（开销）。所有解决方案都不是一个模块吗？只需要url和url描述。
为什么需要默认回购？我确定它在 ubuntu repo 上也不可用，只需使用 CPAN 安装模块或 cpanm。
P.S：关于模块开销，Perl 完全是关于 CPAN，这是它的优势关键（除其他外，但这是主要的）。如果您不想使用模块，请使用全局匹配 (m//g) 正则表达式来匹配所有 url 及其描述，因为我似乎所有这些 url 具有相同的格式。
HTML::Query 对我来说看起来很具体