如何根据其类提取 HTML 元素？

Posted 2023-02-24

【中文标题】如何根据其类提取 HTML 元素？

【英文标题】：How do I extract an HTML element based on its class?

【发布时间】：2013-07-12 06:01:30

【问题描述】：

我刚开始使用 Perl，并编写了一个简单的脚本来进行一些网络抓取。我正在使用 WWW::Mechanize 和 html::TreeBuilder 来完成大部分工作，但我遇到了一些麻烦。我有以下 HTML：

<table class="winsTable">
    <thead>...</thead>
    <tbody>
        <tr>
            <td class = "wins">15</td>
        </tr>
    </tbody>
</table>

我知道有些模块可以从表中获取数据，但这是一种特殊情况；并非我想要的所有数据都在表格中。所以，我尝试了：

my $tree = HTML::TreeBuilder->new_from_url( $url );
my @data = $tree->find('td class = "wins"');

但@data 返回空。我知道这个方法可以在没有类名的情况下工作，因为我已经成功地用$tree->find('strong') 解析了数据。那么，有没有可以处理这种 HTML 语法的模块呢？我浏览了 HTML::TreeBuilder 文档并没有发现任何看起来的东西，但我可能是错的。

【参考方案1】：

您可以使用look_down 方法来查找您要查找的特定标签和属性。这是在HTML::Element 模块中（由HTML::TreeBuilder 导入）。

my $data = $tree->look_down(
    _tag  => 'td',
    class => 'wins'
);

print $data->content_list, "\n" if $data; #prints '15' using the given HTML

$data = $tree->look_down(
    _tag  => 'td',
    class => 'losses'
);

print $data->content_list, "\n" if $data; #prints nothing using the given HTML

【讨论】：

我正在使用相同的场景，但我收到以下错误：/usr/local/share/perl5/HTML/TreeBuilder.pm 第 207 行的哈希分配中的奇数个元素

【参考方案2】：

我正在使用优秀的（但有时有点慢）HTML::TreeBuilder::XPath 模块：

my $tree = HTML::TreeBuilder::XPath->new_from_content( $mech->content() );
my @data = $tree->findvalues('//table[ @class = "winsTable" ]//td[@class = "wins"]');

【参考方案3】：

（这是对dspain's的补充回答）

实际上，您错过了HTML::TreeBuilder documentation 中的一个位置，

这个类的对象继承了 HTML::Parser 和 HTML::Element 的方法。从 HTML::Parser 继承的方法用于构建 HTML 树，从 HTML::Element 继承的方法用于检查树。 除了这个 (HTML::TreeBuilder) 文档之外，您还必须仔细阅读 HTML::Element 文档，并略读 HTML::Parser 文档——可能只有它的 parse 和 parse_file 方法是有趣的.

（请注意，粗体格式是我的，不在文档中）

这表明你也应该阅读HTML::Element's documentation，在那里你会找到find method，上面写着

这只是 find_by_tag_name 的别名

这应该告诉你它不适用于类名，但它的描述还提到了一个look_down method，可以在下面找到。如果你看一下这个例子，你会发现它做了你想要的。 dspain's answer 准确地展示了你的情况。

公平地说，文档并不是那么容易浏览。

【参考方案4】：

我发现this 链接在告诉我如何从 html 内容中提取特定信息方面最有用。我使用了页面上的最后一个示例：

use v5.10;
use WWW::Mechanize;
use WWW::Mechanize::TreeBuilder;

my $mech = WWW::Mechanize->new;
WWW::Mechanize::TreeBuilder->meta->apply($mech);

$mech->get( 'http://htmlparsing.com/' );

# Find all <h1> tags
my @list = $mech->find('h1');

# or this way <----- I found this way very useful to pinpoint exact classes with in some html
my @list = $mech->look_down('_tag' => 'h1', 
                            'class' => 'main_title');

# Now just iterate and process
foreach (@list) 
    say $_->as_text();

这似乎比我看过的任何其他模块都更容易启动和运行。希望这会有所帮助！