新人报到，顺便问个关于清理html部分标签的方法

niaya

UID: 20254
帖子: 22
积分: 50
在线时间: 10 分钟

1^# niaya 发表于 2009-01-02 16:03

新人报到，顺便问个关于清理html部分标签的方法

目前有一个html文件，因为使用了Word编辑了其格式，导致其html中加入了大量无用代码。

html结构如下

<head>
<meta XXXXXXXX>
<meta XXXXXXXX>
.
.
.
<office XXXXXXXX>
<office XXXXXXXX>
.
.
.
<title>A sample Page</title>
.
.
.
<mso: XXXXXX>
<mso: XXXXXX>
<mso: XXXXXX>
.
.
.
</head>

目前想要把上面的Source变成<head>部中仅有<title>标签。
（上面的html的head部分转换完毕为<head><title>A sample Page</title></head>这样）

目前思路是从<head>到<title>中间的部分删除，然后删除从</title>到</head>部分的内容。

代码如下：

前略

sub head() {

my $file = $_[0];
my $line = "";

open(IN , "<$file" || die "Can't open this file."
while (chomp($line = <IN>) {
$line = ~s /[\r\n]/ g; #在这里删除了所有的空行，整个html的内容被读取成一行。
$line = ~s /<head>(.*)<title>/ <head><title> / /g;
$line = ~s /<\/title>(.*)<\/head>/ <\/title><\/head> / /g;
}

执行结果却发现，根本没有执行替换操作。
如果写成$line = ~s /<title>(.*)<\/title>/<title><\/title>/ g;则可以实现title名清空。
请各位帮忙看看是什么问题。

DQP

UID: 22959
帖子: 5
积分: 11
在线时间: 10 分钟

2^# DQP 发表于 2009-01-02 16:34

你好
1. 你只读了文件却但并没有输出
2. '=~' 中间不应该有空格
3. '$line = ~s /[\r\n]/ g; ' 这句话是错了
按照我的理解帮你去掉语法错误 $line =~ s/[\r\n]//g; 这句话并不能帮你把整个html读成一行所以你下面的替换也不起作用。

niaya

UID: 20254
帖子: 22
积分: 50
在线时间: 10 分钟

3^# niaya 发表于 2009-01-02 21:56

QUOTE:

原帖由 DQP 于 2009-1-2 16:34 发表
你好
1. 你只读了文件却但并没有输出
2. '=~' 中间不应该有空格
3. '$line = ~s /[\r\n]/ g; ' 这句话是错了
按照我的理解帮你去掉语法错误 $line =~ s/[\r\n]//g; 这句话并不能帮你把整个html读成一 ...

谢谢2楼的指正

但是如果说删除掉了空行还有chomp的读入都不能使html读成一行的话，怎么样才可以将html读成一行呢。
如果不读成一行，对TAG的处理好像要麻烦很多。

niaya

UID: 20254
帖子: 22
积分: 50
在线时间: 10 分钟

4^# niaya 发表于 2009-01-02 22:08

Html里面的标签都是一对一对出现的。我现在想删除其中的某些对。比如如下的html的Body部

ABCDEFGHIJKLMNOPQ

假如说我想删除掉中间那层的TAG，也就是和的话，用什么办法实现好呢？
（删除后结果是ABCDEFGHIJKLMNOPQ）

现在我的想法是用栈来实现，但是不大清楚Perl的栈机制是什么样子的。请各位帮忙看下，不胜感谢。

cobrawgl

UID: 21059
帖子: 1
积分: 2
在线时间: 10 分钟

5^# cobrawgl 发表于 2009-01-03 12:14

use HTML::TreeBuilder;

cobrawgl

UID: 21059
帖子: 1
积分: 2
在线时间: 10 分钟

6^# cobrawgl 发表于 2009-01-03 12:26

QUOTE:

原帖由 niaya 于 2009-1-2 21:56 发表

谢谢2楼的指正

但是如果说删除掉了空行还有chomp的读入都不能使html读成一行的话，怎么样才可以将html读成一行呢。
如果不读成一行，对TAG的处理好像要麻烦很多。

$_ = join '', <IN>;

niaya

UID: 20254
帖子: 22
积分: 50
在线时间: 10 分钟

7^# niaya 发表于 2009-01-03 14:19

QUOTE:

原帖由 cobrawgl 于 2009-1-3 12:26 发表

$_ = join '', ;

太感谢了。果然好用。这个功能已经实现了。

但是还有一个问题要问，现在是按一行读入进行处理的，能不能在写回文件的时候，再次进行分行处理呢？

现在的代码都在一行之中，维护起来很麻烦。

niaya

UID: 20254
帖子: 22
积分: 50
在线时间: 10 分钟

8^# niaya 发表于 2009-01-04 09:22

自己再顶一次~

ynchnluiti

UID: 39553
帖子: 24
积分: 55
在线时间: 10 分钟

9^# ynchnluiti 发表于 2009-01-04 10:45

QUOTE:

原帖由 niaya 于 2009-1-3 14:19 发表

太感谢了。果然好用。这个功能已经实现了。

但是还有一个问题要问，现在是按一行读入进行处理的，能不能在写回文件的时候，再次进行分行处理呢？

现在的代码都在一行之中，维护起来很麻烦。

合并完了，没有特殊标记不好分行。

zhuyubei

UID: 6305
帖子: 131
积分: 301
在线时间: 23 小时

10^# zhuyubei 发表于 2009-01-04 12:46

#!/usr/bin/perl
 2 open IN, "<perltest";
 3 chomp(@content = <IN>);
 4 open OUT, ">perltest";
 5 select OUT;
 6 foreach $line (@content)
 7 {
 8 unless($line =~ /head|title/)
 9 {
10 $line =~ s/$line//g;
11 }
12 print $line;
13 }
14