¿Cómo puedo extraer datos de tablas HTML en Perl?

Question

duplicado posible:
Can you provide an example of parsing HTML with your favorite parser?
How can I extract content from HTML files using Perl?

---

Estoy tratando de utilizar expresiones regulares en Perl para analizar una tabla con la siguiente estructura. La primera línea es la siguiente:

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

Aquí deseo de sacar "Tiempo jugado", "Artista", "Título" y "Etiqueta", e imprimirlos a un archivo de salida.

¡Cualquier ayuda sería muy apreciada!

Ok lo siento ... He intentado muchas expresiones regulares tales como:

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

Mi programa actual se ve así:

#!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

NO utilice expresiones regulares para analizar HTML. Hay una gran cantidad de módulos de CPAN que hacen esto por usted de manera mucho más efectiva.

• Can you provide some examples of why it is hard to parse XML and HTML with a regex?
• Can you provide an example of parsing HTML with your favorite parser?
• HTML::Parser
• HTML::TreeBuilder
• HTML::TableExtract

Answer 2

Eso es fácil:

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"; 

Consulte http://codepad.org/qz9d5Bro si quiere intentar ejecutarlo.

Answer 3

Utilice HTML::TableExtract. De Verdad.

#!/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"; 
} 

Esto es lo que quise decir en otra publicación de analizadores de HTML "específicos de la tarea".

Podrías haber ahorrado mucho tiempo dirigiendo tu energía a leer alguna documentación en lugar de arrojar expresiones mágicas en la pared y ver si hay alguna atascada.