对于示例数据简单的锚标记,这个Perl脚本足以:
#!/usr/bin/env perl
use strict;
use warnings;
my @urls =();
while (<>)
{
chomp;
if (m/\s*(<a\s+[^>]+>.*<\/a>)\s*/)
{
push @urls, $1;
s///;
}
print "$_\n";
}
foreach my $url (@urls)
{
print "$url\n";
}
输出示例:
<tr style="background-color: #EFEFEF">
<td valign="top">Line1<br />2013.05.23</td>
<td>Line2
<br />
<br />Line3
</td>
</tr>
<a href="link.html">link</a>
需要注意的是,如果有在输入一行几个锚标记,这将包括在脚本底部的外标签之间的物质,太。如果锚标签横跨线路断开,它将被忽略。我毫不怀疑,有HTML符号可以打破这个脚本(但我不知道它们是什么)。
这是从简单的脚本,一个小的一步:
#!/usr/bin/env perl
use strict;
use warnings;
my @urls =();
while (<>)
{
chomp;
while (m/\s*(<a\s+[^>]+>.*?<\/a>)\s*/)
{
push @urls, $1;
s// /;
}
print "$_\n";
}
foreach my $url (@urls)
{
print "$url\n";
}
的while
环代替if
迭代过比赛在一条线上。非贪婪.*?
量词意味着它不会吞噬中间锚点标记。该替代品用空白替换被删除的材料,从而保持将锚标签分开的单词。
示例数据:
<tr style="background-color: #EFEFEF">
<td valign="top">Line1<br />2013.05.23</td>
<td>Line2
<br /><a href="link.html">link</a>
<br />Line3
</td>
</tr>
<tr style="background-color: #EFEFEF">
<td valign="top">Line1<br />2013.05.23</td>
<td>Line2
<br /> <a href="link2.html">link</a> extraneous material <a href="link3.html">link</a> other notes <a href="link4.html">link</a>
<br />Line3
</td>
</tr>
输出示例:
<tr style="background-color: #EFEFEF">
<td valign="top">Line1<br />2013.05.23</td>
<td>Line2
<br />
<br />Line3
</td>
</tr>
<tr style="background-color: #EFEFEF">
<td valign="top">Line1<br />2013.05.23</td>
<td>Line2
<br /> extraneous material other notes
<br />Line3
</td>
</tr>
<a href="link.html">link</a>
<a href="link2.html">link</a>
<a href="link3.html">link</a>
<a href="link4.html">link</a>
你去判断这是否足以为你的目的。至少它给你一些工作。
你有没有尝试过任何具体的东西? – 2013-05-12 19:40:51
我不知道如何。 – abby 2013-05-12 19:42:34
正确的方法可能涉及XSLT ... – 2013-05-12 19:47:49