如何解析没有 id 或 class 信息的 HTML？答案

【问题标题】：How to parse HTML which does not have id or class information?如何解析没有 id 或 class 信息的 HTML？
【发布时间】：2013-01-30 02:19:08
【问题描述】：

如果我有表单的 HTML

<ol>
    <li>Cheeses
        <ol>
            <li>Red Leicester</li>
            <li>Cheddar</li>
        </ol>
    <li>Wines
        <ol>
            <li>Burgundy</li>
            <li>Beaujolais</li>
        </ol>
</ol>

我想把它解析成类似的结构

{"Cheeses":["Red Leicester", "Cheddar"], "Wines":["Burgundy", "Beaujolais"]}

有很多关于如何使用 HTML::TreeBuilder 或 Mojo::DOM 等模块来解析 HTML 的“教程”，但它们似乎总是依赖于使用“id=”或“class=”标签。我要解析的 HTML 没有任何 ID 标签或其他属性。我该怎么做？

【问题讨论】：

在 perl 中，我想你可以开始解析标签的内容。

标签： perl html-parsing

【解决方案1】：

我只有在 Mojo::DOM 方面的经验，诚然，您可能会找到一个更好的模块来将您的 XML 转换为数据结构。如果您使用的是 Mojo::DOM，您可能需要查看 Mojo::DOM 对象底层的树结构：

#!/usr/bin/env perl

use strict;
use warnings;

use Mojo::DOM;
use Data::Dumper;

my $dom = Mojo::DOM->new(<<'END');
<ol>
    <li>Cheeses
        <ol>
            <li>Red Leicester</li>
            <li>Cheddar</li>
        </ol>
    <li>Wines
        <ol>
            <li>Burgundy</li>
            <li>Beaujolais</li>
        </ol>
</ol>
END

print Dumper $dom->tree;

稍微按摩一下，您就可以将其变成您想要的形式。也许有人有一个更直接地从 HTML（可能实际上是 XML）到结构的模块。

【讨论】：