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

11^# niaya 发表于 2009-01-04 13:25

QUOTE:

原帖由 ynchnluiti 于 2009-1-4 10:45 发表

合并完了，没有特殊标记不好分行。

恩的确是这样的现在正在考虑其他方法实现。

比如说，仍然是逐行读入文件。然后对读入数据进行匹配。

niaya

UID: 20254
帖子: 22
积分: 50
在线时间: 10 分钟

12^# niaya 发表于 2009-01-04 13:27

QUOTE:

原帖由 zhuyubei 于 2009-1-4 12:46 发表
#!/usr/bin/perl
  2 open IN, "perltest";
  5 select OUT;
  6 foreach $line (@content)
  7 {
  8       unless($line =~ /head|title/)
  9       {
10                $line =~ s/$line//g ...

谢谢朋友的代码。

不过有一个问题，html的Source 除了这个head部之外，还有body部的。

这样删除了的话，body部分的内容也被一并删除掉了。现在只想对Head进行整理，对于Body部分保持原样就可以了。

不知道怎样实现好些呢？

zhuyubei

UID: 6305
帖子: 131
积分: 301
在线时间: 23 小时

13^# zhuyubei 发表于 2009-01-04 14:51

到底是什么意思？我html语言不熟悉，给个例子看看

niaya

UID: 20254
帖子: 22
积分: 50
在线时间: 10 分钟

14^# niaya 发表于 2009-01-04 19:39

QUOTE:

原帖由 zhuyubei 于 2009-1-4 14:51 发表
到底是什么意思？我html语言不熟悉，给个例子看看

html的Source像下面这样的。

<html>

<head>
A
A
A
A
<title>I love Perl</title>
A
A
A
A
</head>

<body>
B
B
B
B
B
B
B
B
B
</body>

</html>

A B都是一些具体的代码。
我现在想要删除的是A这些的代码。

整理完毕就是下面这个样子的
<html>
<head>
<title>I love Perl</title>
</head>

<body>
B
B
B
B
B
B
B
B
B
</body>

</html>

现在想到的办法都是读成一行，这样输出的代码也就是一行了，不方便看，不知道能不能保留原来的结构，只删除A的内容。

ynchnluiti

UID: 39553
帖子: 24
积分: 55
在线时间: 10 分钟

15^# ynchnluiti 发表于 2009-01-05 00:16

[Copy to clipboard] [ - ]

CODE:

perl -e '$html = do { local $/;<> };$html =~s{(<head>|</title>).*?(<title>|</head>)}{$1$2}sg;print $html' html

xunxin

UID: 17465
帖子: 2
积分: 4
在线时间: 10 分钟

16^# xunxin 发表于 2009-01-12 17:36

用 HTML::Strip 来作，这个的速度要是普通正则的十倍速度，经过我的很大量的测试结果。
另外正则比HTML::TreeBuilder 也快很多。因为TreeBuilder 用了很慢的HTML:arser, 不过要是不进行大量处理的话用Parser要好些。

ynchnluiti

UID: 39553
帖子: 24
积分: 55
在线时间: 10 分钟

17^# ynchnluiti 发表于 2009-01-12 18:37

QUOTE:

原帖由 xunxin 于 2009-1-12 17:36 发表
用 HTML::Strip 来作，这个的速度要是普通正则的十倍速度，经过我的很大量的测试结果。
另外正则比HTML::TreeBuilder 也快很多。因为TreeBuilder 用了很慢的HTML:arser, 不过要是不进行大量处理的话用Pa ...

有十倍那么多啊