Как я могу удалить неиспользуемые, вложенные теги span HTML с регулярным выражением Perl? - PullRequest
Новая
       10

Как я могу удалить неиспользуемые, вложенные теги span HTML с регулярным выражением Perl?

4 голосов
/ 20 марта 2009

Я пытаюсь удалить неиспользуемые промежутки (т. Е. Без атрибутов) из файлов HTML, уже очистив все атрибуты, которые мне не нужны, с другими регулярными выражениями.

У меня проблема с моим регулярным выражением, не выбирающим правильную пару начальных и конечных тегов для удаления. 

my $a = 'a <span>b <span style="color:red;">c</span> d</span>e';
$a =~ s/<span\s*>(.*?)<\/span>/$1/g;
print "$a\

возвращает 

a b <span style="color:red;">c d</span>e

но я хочу, чтобы он вернулся 

a b <span style="color:red;">c</span> de

Помощь оценена.

Ответы [ 4 ]

11 голосов
/ 20 марта 2009

Попробуйте HTML :: Parser : 

#!/usr/bin/perl

use strict;
use warnings;

use HTML::Parser;

my @print_span;
my $p = HTML::Parser->new(
  start_h   => [ sub {
    my ($text, $name, $attr) = @_;
    if ( $name eq 'span' ) {
      my $print_tag = %$attr;
      push @print_span, $print_tag;
      return if !$print_tag;
    }
    print $text;
  }, 'text,tagname,attr'],
  end_h => [ sub {
    my ($text, $name) = @_;
    if ( $name eq 'span' ) {
      return if !pop @print_span;
    }
    print $text;
  }, 'text,tagname'],
  default_h => [ sub { print shift }, 'text'],
);
$p->parse_file(\*DATA) or die "Err: $!";
$p->eof;

__END__
<html>
<head>
<title>This is a title</title>
</head>
<body>
<h1>This is a header</h1>
a <span>b <span style="color:red;">c</span> d</span>e
</body>
</html>
9 голосов
/ 20 марта 2009

Regex недостаточно мощен для анализа HTML (или XML). Любое регулярное выражение, которое вы можете придумать, не будет соответствовать различным формулировкам даже действительного HTML (не говоря уже о реальном теговом супе).

Это проблема с вложенностью. Обычно Regex вообще не может обрабатывать вложение, но Perl имеет нестандартное расширение для поддержки рекурсии regex: (? N), где n - номер группы, в которую нужно вернуться. Итак, что-то вроде этого будет соответствовать обоим пролетам в вашем примере: 

(<span[^>]*>.*+(?1)?.*+<\/span>)

См. perlfaq 6.11 .

К сожалению, этого по-прежнему недостаточно, поскольку он должен иметь возможность подсчитывать как приписанные, так и неназначенные начальные теги, позволяя конечному тегу закрывать любой из них. Я не могу придумать, как это можно сделать, не сопоставляя атрибуты start-tag.

Для этого вам нужен HTML-анализатор, и вы все равно должны его использовать, потому что регулярное выражение для HTML / XML - определенно неправильная вещь.

6 голосов
/ 20 марта 2009

Не используйте регулярные выражения для обработки (HTML ==) XML. Вы никогда не знаете, какой вклад вы получите. Учтите это, действительный HTML: 

a <span>b <span style="color:red;" title="being closed with </span>">c</span> de

Вы бы подумали об этом?

Вместо этого используйте процессор XML.

Также см. Похожие Вопросы (справа) по вашему вопросу.

1 голос
/ 23 марта 2009

Со всей вашей помощью я опубликовал скрипт, который делает все, что мне нужно.

http://github.com/timabell/decrufter/

Добро пожаловать на сайт PullRequest, где вы можете задавать вопросы и получать ответы от других членов сообщества.

Нет похожих вопросов

...