Perl的HTML::TreeBuilder模块详解

发布时间:2020-06-10编辑:脚本学堂
HTML::TreeBuilder继承自HTML::Parser和HTML::Element,因此本文介绍的很多方法实际上源于HTML::Parser和HTML::Element。

HTML::TreeBuilder继承自HTML::Parser和HTML::Element,因此本文介绍的很多方法实际上源于HTML::Parser和HTML::Element。

html文件:
 

复制代码 代码如下:
<html lang='i-klingon'>
     <head><title>Pati Pata</title></head>
     <body>
       <h1 lang='la'>职工</h1>
       <p lang='es-MX' align='center'>
         Foo bar baz <cite>Quux</cite>.
       </p>
       <p>Hooboy.</p>
     </body>
  </html>

perl代码:
 

复制代码 代码如下:
#!/usr/bin/perl
use HTML::Element;
use HTML::TreeBuilder;
 
foreach my $file_name (@ARGV) {
    my $tree = HTML::TreeBuilder->new;
    $tree->parse_file($file_name);
    $head=$tree->find_by_tag_name('head');  ##找到head节点
    print $head->attr('_parent')->as_text(); ##_parent属性的值是html节点
    print "n";
    $tree = $tree->delete;
}
 

首先根据一个文件创建了一棵HTML结构解析树$tree,注意$tree本身也是HTML::Element的一个实例,因为HTML::TreeBuilder继承自 HTML::Element。
调用<html>节点的as_text输出:Pati Pata职工 Foo bar baz Quux. Hooboy.
如果把find_by_tag_name('head')改成find('head')方法,效果一样。
如果把$head->attr('_parent')改成$head->look_up('lang','i-klingon')效果一样。同样你应该look_down()怎么用了。
 

复制代码 代码如下:
#!/usr/bin/perl
use HTML::Element;
use HTML::TreeBuilder;
use HTML::Parser;
 
foreach my $file_name (@ARGV) {
    my $root = HTML::TreeBuilder->new;
    $root->parse_file($file_name);
    $body=$root->find_by_tag_name('body');
    $p=$body->find_by_attribute('lang','es-MX');  ##在当前节点及其子节点下寻找lang属性为es-MX的节点
    print $p->as_text();
    print "n";
    $tree = $root->delete;
}

输出: Foo bar baz Quux.
find_by_attribute不能向上查找,试图通过find_by_attribute('lang','i-klingon')来找到<html>节点是行不通的。
$p=$body->look_down('lang','es-MX');效果是一样的。
还可以这样来寻找<p>节点:
 

复制代码 代码如下:

$p=$body->look_down('_tag','p',
                        'align','center',
                        sub{$_[0]->attr('lang')=~qr/es/}
                        );

@childern=$root->content_list; ##返回content列表。即返回包含head和body的列表
    foreach(@childern){
        print $_->as_text();
        print "n";
    }

输出:
Pati Pata
职工 Foo bar baz Quux. Hooboy.
在标量环境下$root->content_list返回list的长度,在其他情况下如果把一个list返回给一个标量,则是返回list中的第一个元素。
 

复制代码 代码如下:
foreach my $node_r ($p->content_refs_list){
        next if ref $$node_r;
        print $$node_r;
        print "n";
    }

输出两行:
  Foo bar baz
 .

之所以没有输出Quux就是因为ref $$node_r返回true了。
$p->dump()输出结果为:
<p align="center" lang="es-MX"> @0.1.1
" Foo bar baz "
<cite> @0.1.1.1  
"Quux"
". "
dump(*FH) dump到一个文件中。
print $p->as_HTML();
输出:<p align="center" lang="es-MX"> Foo bar baz <cite>Quux</cite>. 注意没有输出结尾标签</p>。
print $p->as_text(skip_dels=>1,extra_chars=>'xA0');
“del"节点下的content text将被忽略,同时text string中多个连续的空格将被合并为一个空格。
$p->as_XML();
输出:<p align="center" lang="es-MX"> Foo bar baz <cite>Quux</cite>. </p>。除了比as_HTML多一个</p>外,还多一个换行符。
print $p->as_Lisp_form();
输出:
("_tag" "p" "align" "center" "lang" "es-MX" "_content" (
  " Foo bar baz "
  ("_tag" "cite" "_content" (
    "Quux"))
  ". "))
上面这个方法能让我们对一个节点的属性和属性的值看得非常清楚。