[英]strip HTML Tags with perl
什么是在perl中剥离HTML标记的最简单方法。 我正在使用正则表达式从URL中解析HTML，但是如何删除HTML标记？
这是我如何拉我的HTML
#!/usr/bin/perl -w
use strict;
use warnings;
use LWP::Simple;
my $now_string = localtime;
my $html = get("http://www.spc.noaa.gov/climo/reports/last3hours.html")
or die "Could not fetch NWS page.";
$html =~ s/<script.*?<\'/script>/sg;
$html =~ s/<.+?>//sg;
$html =~ m{(Hail Reports.*)Wind Reports}s || die;
my @hail = $1;
进入正则表达式HTML是一个坏习惯，因为有很多规则和方法来绕过它们，最终可能会使你的代码打开黑客技术。 虽然你现在可能对简单的事情有合理的需求，但是重用代码很容易，忘记为什么重用代码是个坏主意，特别是当你不添加# This code is NOT secure and should not be used to parse HTML anywhere else!!!注释时， # This code is NOT secure and should not be used to parse HTML anywhere else!!! 或# Christina Alguilera writes songs based on this code!!!
<div>...</div>
<div style="blah">
<div style="background:url(../div)">
<div style=".." class='noticesinglequote'>
列表继续，这仅适用于格式良好的HTML。 其他一些问题包括：
<div><span></div></span> ）或根本没有关闭 <dvi>..</div> ） 您可能已经接受了答案，但您应该查看XML :: Parser和HTML :: TreeBuilder 。
您可能更倾向于深入研究所需文档的一部分（例如<body>所有内容或其中的某个div ），而不是剥离HTML文档的某些部分，这就是您最有可能想要的东西上述模块之一提供。 更不用说，解析器可用于尽力删除所有HTML元素并仅返回text / CData。
如上所述，不要使用正则表达式。 有太多例外。
一个可以提供帮助的CPAN模块是HTML :: Strip ：
use HTML::Strip;
my $hs = HTML::Strip->new();
my $clean_text = $hs->parse( $raw_html );
$hs->eof;
值得学习CPAN上可用的内容并使用它。 从长远来看，它将为您节省大量的工作。
看看HTML :: Restrict模块，它允许您去除或限制允许的HTML标记。 剥离所有HTML标记的最小示例：
use HTML::Restrict;
my $hr = HTML::Restrict->new();
my $processed = $hr->process('<b>i am bold</b>'); # returns 'i am bold'
我建议远离HTML :: Strip，因为它破坏了utf8编码 。
还有一个很好的Perl模块HTML :: Scrubber。
#!/usr/bin/perl
use warnings;
use strict;
use HTML::Scrubber;
my $file = shift or die "need a file $!\n";
my $html;
open (FH,"< $file");
read( FH, $html, -s FH );
close FH;
#print "$html\n";
my $scrubber = HTML::Scrubber->new;
$scrubber->default(1); ## default to allow HTML
#$scrubber->script(0); ## no script
#$scrubber->style(0); ## no style
# OR
$scrubber->deny(qw[script style]);
my $clean_html = $scrubber->scrub($html);
open (OH, '>', $file.'.scrubbed.html');
print OH $clean_html;
close OH;
exit;
如果您只想删除HTML标记：
s/<script.*?<\/script>//sg
s/<.+?>//sg
这将（大部分时间）删除脚本标记及其内容以及所有其他HTML标记。 您也可以使用正则表达式安全地删除<body>标记之前的所有内容。
但是，对于比这更复杂的东西 ，正则表达式不是一个合适的工具，你真的需要用实际的HTML解析器解析HTML，然后操纵它来删除标签。
perl：剥离html标记，处理文本，然后将html标记返回到其原始位置
[英]perl: strip html tags, manipulate text, and then return html tags to their original positions
如何使用PHP / Perl从提交的html表单的文本中剥离自定义标签？
[英]How do I strip custom tags from text in a submitted html form using PHP/Perl?
声明:本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.