[英]Perl regular expression for html
我需要为变量URL指定的电影提取IMDB id(例如:电影300为tt0416449)。 我已经看过这个页面的源代码页 ,并拿出以下的正则表达式
use LWP::Simple;
$url = "http://www.imdb.com/search/title?title=$FORM{'title'}";
if (is_success( $content = LWP::Simple::get($url) ) ) {
print "$url is alive!\n";
} else {
print "No movies found";
}
$code = "";
if ($content=~/<td class="number">1\.</td><td class="image"><a href="\/title\/tt[\d]{1,7}"/s) {
$code = $1;
}
我在此行收到内部服务器错误
$content=~/<td class="number">1\.</td><td class="image"><a href="\/title\/tt[\d]{1,7}"/s
我是perl的新手,如果有人可以指出我的错误,将不胜感激。
无论如何,该错误的原因可能是您忘记了正则表达式中的正斜杠。 它看起来应该像这样:
/<td class="number">1\.<\/td><td class="image"><a href="\/title\/tt[\d]{1,7}"/s
Mojolicious发行版的某些工具为此类工作提供了一个非常不错的界面。
它的UserAgent , DOM和URL类的组合可以非常可靠地工作:
#!/usr/bin/env perl
use strict;
use warnings;
use feature 'say';
use Mojo::UserAgent;
use Mojo::URL;
# preparations
my $ua = Mojo::UserAgent->new;
my $url = "http://www.imdb.com/search/title?title=Casino%20Royale";
# try to load the page
my $tx = $ua->get($url);
# error handling
die join ', ' => $tx->error unless $tx->success;
# extract the url
my $movie_link = $tx->res->dom('a[href^=/title]')->first;
my $movie_url = Mojo::URL->new($movie_link->attrs('href'));
say $movie_url->path->parts->[-1];
输出:
tt0381061
有趣的一个划线员助手模块ojo帮助构建了一个非常简短的版本:
$ perl -Mojo -E 'say g("imdb.com/search/title?title=Casino%20Royale")->dom("a[href^=/title]")->first->attrs("href") =~ m|([^/]+)/?$|'
输出:
tt0381061
我同意XML是反行编辑的,因此是反Unix的,但是有AWK。
如果awk可以做到,perl肯定可以做到。 我可以产生一个清单:
curl -s 'http://www.imdb.com/find?q=300&s=all' | awk -vRS='<a|</a>' -vFS='>|"' -vID=$1 '
$NF ~ ID && /title/ { printf "%s\t", $NF; match($2, "/tt[0-9]+/"); print substr($2, RSTART+1, RLENGTH-2)}
' | uniq
将搜索字符串传递给“ ID”。 基本上,所有关于如何在awk中选择标记器的问题,我都使用<a>
标记。 在perl中应该更容易。
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.