在 Perl 中从富文本编辑器解析 HTML 的最佳方法是什么？

【问题标题】：What is the best way to parse HTML from a Rich Text Editor in Perl?在 Perl 中从富文本编辑器解析 HTML 的最佳方法是什么？
【发布时间】：2010-09-20 00:54:29
【问题描述】：

是否有一个 Perl 模块可以获取 糟糕的 HTML（例如从 Microsoft Word 复制的内容）并将其解析为 格式良好的 HTML？我看过 HTML::Tidy，但它得到了horrible reviews on CPAN。我们有一个自定义的遗留模块，它基本上是命令行版本 tidy 的包装器（这似乎几乎是 HTML::Tidy 的样子），但它会将文件写入磁盘并将它们读回，这可能是一个很大的性能惩罚。当然，凭借 Perl 出色的文本解析能力，还有更好的方法来做到这一点吗？

【问题讨论】：

标签： html perl module tidy rich-text-editor

【解决方案1】：

两件事：

1) tidy 确实没有替代品，因为它对大多数人都适用。命令行工具的某些行为是否不适合您？也许如果你举一个例子说明为什么它不适合鼻烟，我们可以更好地理解这个问题。

2) 关于性能，您可以考虑修改包装器以在 tidy 上调用 open2 以避免磁盘往返：

use IPC::Open2;

my $pid = open2(\*FROM_TIDY, \*TO_TIDY, '/usr/bin/tidy')
    or die "couldn't open";

# give tidy our html and close the handle to tell it we're done
print(TO_TIDY $html_string);
close(TO_TIDY);

# read in the tidy html
while (<FROM_TIDY>) {
    print;
}
close(FROM_TIDY);

【讨论】：

这很可能会死锁（在写入 FROM_TIDY 时会出现 tidy 阻塞，而在写入 TO_TIDY 时会阻塞 perl）。
不。 tidy 在解析之前读取整个文件，然后将整个文件写出。