如何在Perl中从正文电子邮件中提取href？

Question

我正在尝试提取一些URL，它可以是正文电子邮件中的多个URL。

我正在尝试解析URL，与此：

use strict;
use warnings;
use Net::IMAP::Simple;
use Email::Simple;
use IO::Socket::SSL;

# here must be the connection to imap hidden for economize space

my $es = Email::Simple->new( join '', @{ $imap->get($i) } );
my $text = $es->body;
print $text;
my $matches = ($text =~/<a[^>]*href="([^"]*)"[^>]*>.*<\/a>/);
print $matches;

在$ text上，我有下一个文本：

 --047d7b47229eb3d9f404e58fd90a
    Content-Type: text/plain; charset=ISO-8859-1

    Try1 <http://www.washingtonpost.com/>

    Try2 <http://www.thesun.co.uk/sol/homepage/>

    --047d7b47229eb3d9f404e58fd90a
    Content-Type: text/html; charset=ISO-8859-1

    <div dir="ltr"><a href="http://www.washingtonpost.com/">Try1</a><br><div><br></div><div><a href="http://www.thesun.co.uk/sol/homepage/">Try2</a><br></div></div>

    --047d7b47229eb3d9f404e58fd90a--

程序的输出为我提供了1 ...。

任何人都可以帮忙吗？

感谢您的建议。

Answer 1

Email :: Simple不适合MIME消息。 改用Courriel 。 正则表达式不适用于HTML解析。 使用Web :: Query代替。

use Courriel qw();
use Web::Query qw();

my $email = Courriel->parse( text => join …);
my $html = $email->html_body_part;
my @url = Web::Query->new_from_html($html)->find('a[href]')->attr('href');
__END__
http://www.washingtonpost.com/
http://www.thesun.co.uk/sol/homepage/

Answer 2

关于使用其他电子邮件处理模块并且不使用正则表达式解析HTML的建议都是很好的，您绝对应该注意它。

但是还没有人解释为什么您的代码给您错误的结果。

这是因为您要在标量上下文中调用match运算符。 在标量上下文中，它返回一个布尔值，指示匹配是否成功。 因此，您得到的是1（真）。

要从正则表达式匹配中获取捕获，您需要在列表上下文中调用match运算符。 可以这样简单：

my ($matches) = ($text =~/<a[^>]*href="([^"]*)"[^>]*>.*<\/a>/);

但是，如果您想将/ g添加到match运算符并获得多个匹配项，则可以考虑使用数组。

my @matches = ($text =~/<a[^>]*href="([^"]*)"[^>]*>.*<\/a>/g);