मुझे पर्ल के एचटीएमएल मॉड्यूल का उपयोग करके एक div की सामग्री कैसे मिल सकती है, अगर मुझे इसके अंदर एक टैग पता है?

Question

जब से मैंने पूछा कि रेगेक्स के साथ एचटीएमएल को कैसे पार्स किया जाए और थोड़ा सा (सही तरीके से) मिला, तो मैं HTML::TreeBuilder, HTML::Parser, HTML::TokeParser, और HTML::Elements पर्ल मॉड्यूल का अध्ययन कर रहा हूं।

मैं इस तरह HTML है:

<div id="listSubtitlesFilm"> 
    <dt id="a1"> 
    <a href="/45/subtitles-67624.aspx"> 
     .45 (2006) 
    </a> 
    </dt> 
</div> 

मैं /45/subtitles-67624.asp पार्स आउट करना चाहते हैं, लेकिन अधिक महत्वपूर्ण मुझे पता है कि div की सामग्री को पार्स आउट करने के लिए कैसे करना चाहते हैं।

मैं एक पिछले प्रश्न पर इस उदाहरण दिया गया था:

while (my $anchor = $parser->get_tag('a')) { 
    if (my $href = $anchor->get_attr('href')) { 
#http://subscene.com/english/Sit-Down-Shut-Up-First-Season/subtitles-272112.aspx 
     push @dnldLinks, $1 if $href =~ m!/subtitle-(\d{2,8})\.aspx!; 
    } 

यह है कि के लिए पूरी तरह से काम किया है, लेकिन जब मैं इसे थोड़ा संपादित करें और पर इसका इस्तेमाल करने की कोशिश की एक `` div` यह काम नहीं किया ।

मैं इस कोड का उपयोग करने की कोशिश की:: यहाँ कोड मैंने कोशिश की है

while (my $anchor = $p->get_tag("dt")) { 
    if($stuff = $anchor->get_attr('a1')) { 
    print $stuff."\n"; 
    } 
} 

Answer 1

समाधान के लिए, अपने विशिष्ट सवाल है, दिया गया HTML:

<div id="listSubtitlesFilm"> 
    <dt id="a1"> 
    <a href="/45/subtitles-67624.aspx"> 
     .45 (2006) 
    </a> 
    </dt> 
</div> 

मैं यह सोचते हैं रहा एंकर पाठ में रुचि रखते हैं, यानी ".45 (2006)", इस मामले में, लेकिन केवल लंगर में होता है, तो आईडी listSubtitlesFilm आईडी के साथ div।

#!/usr/bin/perl 

use strict; 
use warnings; 

use HTML::TokeParser::Simple; 

my $parser = HTML::TokeParser::Simple->new(handle => \*DATA); 

my @dnldLinks; 

while (my $div = $parser->get_tag('div')) { 
    my $id = $div->get_attr('id'); 
    next unless defined($id) and $id eq 'listSubtitlesFilm'; 

    my $anchor = $parser->get_tag('a'); 
    my $href = $anchor->get_attr('href'); 
    next unless defined($href) 
     and $href =~ m!/subtitles-(\d{2,8})\.aspx\z!; 
    push @dnldLinks, [$parser->get_trimmed_text('/a'), $1]; 
} 

use Data::Dumper; 
print Dumper \@dnldLinks; 


__DATA__ 
<div id="listSubtitlesFilm"> 
    <dt id="a1"> 
    <a href="/45/subtitles-67624.aspx"> 
     .45 (2006) 
    </a> 
    </dt> 
</div> 

आउटपुट:

 
$VAR1 = [ 
      [ 
      '.45 (2006)', 
      '67624' 
      ] 
     ]; 

Answer 2

get_attr('a1') होना चाहिए शायद get_attr('id') पढ़ सकते हैं और इसे प्रिंट होगा "A1"

मैं हो रही है लगता है कि पाठ्य सामग्री कैसा लगेगा :

while (my $anchor = $parser->get_tag('div')) { 
    my $content = $parser-get_text('/div'); 
} 

या यदि आप उस लिंक का पाठ सामग्री का मतलब यह होगा:

0,123,

while (my $anchor = $parser->get_tag('a')) { 
    if (my $href = $anchor->get_attr('href')) { 
     my $content = $parser->get_text('/a'); 
#http://subscene.com/english/Sit-Down-Shut-Up-First-Season/subtitle-272112.aspx 
     push @dnldLinks, $1 if $href =~ m!/subtitle-(\d{2,8})\.aspx!; 
    } 

Answer 3

आपको get_attr("a1") से get_attr("id") को बदलने की आवश्यकता है। get_attr (x)x नाम के साथ एक विशेषता की तलाश में है, लेकिन आप इसे विशेषता का मान दे रहे हैं, न कि उसका नाम।

संयोग से <dt> टैग <div> नहीं है, यह <dl> (परिभाषा सूची) के लिए आइटम टैग है।

Answer 4

कोड HTML::TreeBuilder का उपयोग कर:

use HTML::TreeBuilder; 

my $tree = HTML::TreeBuilder->new_from_content($html); 

for my $link ($tree->look_down(
    _tag => 'a', 
    href => qr{/subtitle-\d{2,8}\.aspx}) 
) { 
    my $linkid = $link->attr('href') =~ m!/subtitle-\d{2,8}\.aspx!; 
    # Scalar context gets the first, and the first is the nearest parent 
    my $parent_div = $link->look_up(_tag => 'div'); 
    # Now the interesting bit of the link is in $linkid, the parent div ID 
    # is $parent_div->id or $parent_div->attr_id, and its text is e.g. 
    # $parent_div->as_trimmed_text or you can do other stuff with its content. 
} 

Answer 5

आप इस्तेमाल कर सकते हैं (अभी तक एक और मॉड्यूल!) HTML::TreeBuilder::XPath है, जो, जैसा कि इसके नाम के अनुसार, आप HTML :: TreeBuilder वस्तुओं पर XPath का उपयोग करने देगा।

#!/usr/bin/perl 

use strict; 
use warnings; 

use HTML::TreeBuilder::XPath; 

my $root = HTML::TreeBuilder::XPath->new_from_file("my.html"); 

# print $root->as_HTML; # useful to see how HTML::TreeBuilder 
# understands your HTML. For example it will wrap the implied 
# dl element around dt, which you need to take into account 
# when writing the XPath query below 

my $id= "a1"; 
# you need the .//dt because of the extra dl 
my @divs= $root->findnodes(qq{//div[.//dt[\@id="$id"]]}); 

print $divs[0]->as_HTML; # or as_text