HTML :: TokeParser - 寻找和标记之间的

我尝试使用下面的代码来提取HTML页面下面的文本，但我的代码失败..HTML :: TokeParser - 寻找和标记之间的

预算案发表后的文本 - $ 25,000,00

毛（全球） - $ 58,500,00

#!/usr/bin/perl 
use HTML::TokeParser; 

my $content = <<HTML; 
<h5>Budget</h5> 
$25,000,000 (estimated)<br/> 
<br/> 

<h5>Opening Weekend</h5> 
$727,327 (USA) (<a href="/date/09-25/">25 September</a> <a href="/year/1994/">1994</a>) (33 Screens)<br/> 
<br/> 

<h5>Gross</h5> 
$28,341,469 (USA) (<a href="/date/08-05/">5 August</a> <a href="/year/2012/">2012</a>)<br/>&#163;2,344,349 (UK) (<a href="/date/05-18/">18 May</a> <a href="/year/1995/">1995</a>)<br/>&#163;1,732,123 (UK) (<a href="/date/04-16/">16 April</a> <a href="/year/1995/">1995</a>)<br/>$58,500,000 (Worldwide)<br/>$555,480 (Belgium)<br/>ESP 637,291,985 (Spain)<br/> 
<br/> 

<h5>Admissions</h5> 
82,890 (Belgium)<br/>163,594 (France) (<a href="/date/03-28/">28 March</a> <a href="/year/1995/">1995</a>)<br/>410,811 (Germany) (<a href="/date/12-31/">31 December</a> <a href="/year/1995/">1995</a>)<br/>1,245,604 (Spain)<br/> 
<br/> 

<h5>Filming Dates</h5> 
<a href="/date/06-16/">16 June</a> <a href="/year/1993/">1993</a>&nbsp;-&nbsp;<a href="/date/09-10/">10 September</a> <a href="/year/1993/">1993</a><br/> 
<br/> 
HTML 

my $description = ""; 
my $tp = HTML::TokeParser->new(\$content) || die "Can't open: $!"; 

while (my $token = $tp->get_tag("h5")) { 
    my $text = $parser->get_text(); 
    last if $text =~ /budget/i; 
}

来源

2014-02-17 doubledecker

您的代码存在各种问题。我已经将引号从双引号更改为heredoc，因为该字符串包含双引号。它还包含以'$'开头的货币值，当引用时，它们变成变量，所以你需要'$ fo = <<'HTML';'。 – simbabque

@simbabque - 感谢您对代码进行格式化。 – doubledecker

这可能不是最优雅的解决方案，但它的工作原理。

while (my $token = $tp->get_tag("h5")) { 
    my $heading = $tp->get_text(); 
    $tp->get_tag("/h5"); 
    my $amount = $tp->get_trimmed_text =~ s/[^\d,\$]//gr; 
    next unless $amount =~ m/\d/; 
    say qq{$heading - $amount}; 
}

根据与get_tag的HTML::TokeParser docs你可以得到启动和结束标记。在开始<h5>之后，我们可以抓取标题，然后转到关闭</h5>。那个背后有一个文本节点，其中包含货币价值。

来源

2014-02-17 14:16:57 simbabque

这也可能与正则表达式也。

while ($content =~ s!<h5[^>]*>\s*(.+?)\s*</h5>\s*(\S+)(.*?)<br[^>]*>!!is){ 
    my $h5text = $1; 
    my $amount = $2; 
    my $rest = $3; 
    if ($h5text =~ m!(Budget|Gross)!is){ 
    print "$h5text\t$amount\n"; 
    } 
}

来源

2014-02-17 11:03:59 user1126070

HTML :: TokeParser - 寻找和标记之间的

回答

相关问题