如何从 Perl 中的 HTML 表中提取数据？

Question

我正在尝试在 Perl 中使用正则表达式来解析具有以下结构的表。 第一行如下：

<tr class="Highlight"><td>Time Played</a></td><td></td><td>Artist</td><td width="1%"></td><td>Title</td><td>Label</td></tr>

在这里，我希望取出“播放时间”、“艺术家”、“标题”和“标签”，并将它们打印到输出文件中。

我尝试了许多正则表达式，例如：

$lines =~ / (<td>) /
       OR
$lines =~ / <td>(.*)< /
       OR
$lines =~ / >(.*)< /
   

我当前的程序如下所示：

#!perl -w

open INPUT_FILE, "<", "FIRST_LINE_OF_OUTPUT.txt" or die $!;

open OUTPUT_FILE, ">>", "PLAYLIST_TABLE.txt" or die $!;

my $lines = join '', <INPUT_FILE>;

print "Hello 2\n";

if ($lines =~ / (\S.*\S) /) {
print "this is 1: \n";
print $1;
    if ($lines =~ / <td>(.*)< / ) {
    print "this is the 2nd 1: \n";
    print $1;
    print "the word was: $1.\n";
    $Time = $1;
    print $Time;
    print OUTPUT_FILE $Time;
    } else {
    print "2ND IF FAILED\n";
    }
} else { 
print "THIS FAILED\n";
}

close(INPUT_FILE);
close(OUTPUT_FILE);

Answer 1

不要使用正则表达式来解析 HTML。 有大量的 CPAN 模块可以更有效地为您做到这一点。

• 您能否提供一些示例说明为什么使用正则表达式难以解析 XML 和 HTML？
• 你能提供一个用你最喜欢的解析器解析 HTML 的例子吗？
• HTML::解析器
• HTML::TreeBuilder
• HTML::表格提取

Answer 2

使用HTML::TableExtract 。 真的。

#!/usr/bin/perl

use strict;
use warnings;

use HTML::TableExtract;
use LWP::Simple;

my $file = 'Table3.htm';
unless ( -e $file ) {
    my $rc = getstore(
        'http://www.ntsb.gov/aviation/Table3.htm',
        $file);
    die "Failed to download document\n" unless $rc == 200;
}

my @headers = qw( Year Fatalities );

my $te = HTML::TableExtract->new(
    headers => \@headers,
    attribs => { id => 'myTable' },
);

$te->parse_file($file);

my ($table) = $te->tables;

print join("\t", @headers), "\n";

for my $row ($te->rows ) {
    print join("\t", @$row), "\n";
}

这就是我在另一篇文章中“特定任务”HTML 解析器的意思。

您可以通过将精力集中在阅读一些文档而不是将正则表达式扔在墙上并查看是否有任何问题来节省大量时间。

Answer 3

这是一个简单的：

my $html = '<tr class="Highlight"><td>Time Played</a></td><td></td><td>Artist</td><td width="1%"></td><td>Title</td><td>Label</td></tr>';
my @stuff = $html =~ />([^<]+)</g;
print join (", ", @stuff), "\n";

如果您想尝试运行它，请参阅http://codepad.org/qz9d5Bro 。

Answer 4

my $html = '<tr><td>Time Played</td><td>Artist</td><td>Title</td><td>Label</td></tr>

<tr><td>Time Played 2</td><td>Artist 2</td><td>Title 2</td><td>Label 2</td></tr>';
my @stuff = $html =~ />([^<]+)</g;
print join (", ", @stuff), "\n";
print $stuff[5];

How to get all the columns and put them in a report like below:
    
    Time played     Artist     Title      Label
    Time played 2   Artist 2   Title 2    Label 2
    
Also, shouldn't $stuff[4] be "Time played 2"?  How come $stuff[5] is "Time played 2"?