Sin*_*nür 13
您不应该使用XML解析器来解析HTML.使用HTML解析器.
请注意,以下是完全有效的HTML(并且XML解析器会阻塞它):
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN"
"http://www.w3.org/TR/html4/strict.dtd">
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<title>Is this valid?</title>
</head>
<body>
<p>This is a paragraph
<table>
<tr> <td>cell 1 <td>cell 2
<tr> <td>cell 3 <td>cell 4
</table>
</body>
</html>
CPAN上有许多任务特定的(除了通用的)HTML解析器.他们非常适合我使用各种非常混乱(并且大部分时间无效)的HTML.
如果您可以指定要尝试解决的问题,则可以提供具体建议.
还有HTML :: TreeBuilder :: XPath,它使用HTML :: Parser将文档解析为树,然后允许您使用XPath查询它.我从未使用它,但看到Randal Schwartz的HTML Scraping with XPath.
鉴于上面的HTML文件,以下简短脚本:
#!/usr/bin/perl
use strict; use warnings;
use HTML::TreeBuilder::XPath;
my $tree= HTML::TreeBuilder::XPath->new;
$tree->parse_file("valid.html");
my @td = $tree->findnodes_as_strings('//td');
print $_, "\n" for @td;
输出:
C:\Temp> z cell 1 cell 2 cell 3 cell 4
这里的关键点是HTML解析器将文档解析为HTML文档(尽管我们能够使用XPath查询它).
| 归档时间： |
|
| 查看次数： |
962 次 |
| 最近记录： |