我想将网站解析为Perl数据结构.
首先我加载页面
use LWP::Simple;
my $html = get("http://f.oo");
现在我知道两种方法来处理它.
首先是正则表达式并对模块进行限制.
我开始阅读HTML::Parser并找到了一些例子.
但我对Perl的知识并不确定.
我的代码示例继续
my @links;
my $p = HTML::Parser->new();
$p->handler(start => \&start_handler,"tagname,attr,self");
$p->parse($html);
foreach my $link(@links){
print "Linktext: ",$link->[1],"\tURL: ",$link->[0],"\n";
}
sub start_handler{
return if(shift ne 'a');
my ($class) = shift->{href};
my $self = shift;
my $text;
$self->handler(text => sub{$text = shift;},"dtext");
$self->handler(end => sub{push(@links,[$class,$text]) if(shift eq 'a')},"tagname");
}
我不明白为什么有两次换班. secound应该是自我指针.但第一个让我觉得自引用已经全部变为shiftet,用作Hash,而href的值存储在$class中.有人可以解释这一行(我的($class)= shift-> {href};)?
除了这个缺点,我不想解析所有的URL,我想把所有的代码放在< div class =“foo”>之间.和< / div>到一个字符串,其间有很多代码,特别是其他< div>< / div>标签.所以我或模块必须找到正确的结束.
之后,我计划再次扫描字符串,找到特殊的类,如< h1>,< h2>,< p class =“foo2”>< / p>等.
我希望这些信息可以帮助你给我一些有用的建议,请记住,首先我想要一个简单的理解方式,这在第一级不是一个很好的表现!