使用WWW :: Mechanize在<td>标记内获取<a>时获取<td>文本

Question

我是Perl-HTML的新手.我正在尝试从HTML表中获取文本和链接.

这是HTML结构:

<td>Td-Text
    <br>
    <a href="Link-I-Want" title="title-I-Want">A-Text</a>
</td>

我已经发现WWW :: Mechanize是从<a>部件中获取所需内容的最简单模块,但我不知道如何从中获取文本<td>.我希望这两个任务背靠背发生,因为我需要将每个单元<td>-Text与其对应<a>-Text的哈希数组配对.

任何帮助都感激不尽!

Z.Zen

Answer 1

WWW :: Mechanize擅长提取链接,但如果你需要获取其他文本,我通常会将它与HTML :: TreeBuilder结合使用.像这样的东西:

use HTML::TreeBuilder;

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

foreach my $td ($tree->look_down(_tag => 'td')) {

  # If there's no <a> in this <td>, then skip it:
  my $a = $td->look_down(_tag => 'a') or next;

  my $tdText = $td->as_text;
  my $aText  = $a->as_text;

  printf("td-text: %s\n a-text: %s\nhref: %s\ntitle: %s\n",
         $tdText, $aText, $a->attr('href'), $a->attr('title'));
}

此代码的唯一问题是您不需要<td>标记中的所有文本.你如何解决这个问题取决于你.如果$aText它足够独特,您可以执行以下操作:

$tdText =~ s/\Q$aText\E.*//s;

在最坏的情况下,您必须编写自己的函数来提取所需的文本元素,然后停止<br>(或者确定停止点).