Dotaz: PERL - Získání dat mezi danými TAGY z PHP souboru

[saky]

 Dobrý den. 

Potřeboval bych dostat z php stránky informace obsažené mezi danými TAGy. 

Mám nyní tento kód: 

my $url = 'http://www.example.com/data.php'; 

use LWP::Simple; 

my $content = get $url; 

my @slovo = split(" ", $content); 

print "Celý soubor obsahuje: $content \n"; 

 

 

Jde však o poměrně dlouhou stránku a text který chci získat do proměnné $obsah je uzavřen uprostřed stránky, 

mezi < div id="dulezity_text">...Potřebný text...< /div>. 

Lze nějak získat vše mezi těmito tagy?

 

Moc děkuji všem :o)

 

 

 

 

---

---

Odpovědi

[Vojtěch Horký]

A nějaký dobře mířený regulární výraz by nestačil? Něco jako

if $content =~ /<div\s+id="dulezity_text"\s+>(.*)<\/div>/ {
    my $text = $1;
} else {
    # není tam
}

Ale jestli v tom divu může být další div, tak bude možná lepší nějaký parser pro HTML než tvořit složité výrazy.

[saky]

 Děkuji moc, to je přesně to co jsem hledal, avšak bohužel mi to stejně nefunguje..

Mám to ještě zabaleno a posláno na příkaz stránka.. Možná mám chybu ve formátu. V kódu mám nyní toto:

 

 

      if ($arg =~ /!stranka/i) {

    my $url = 'http://www.example.com/data.php';

      use LWP::Simple;

    my $content = get $url;

    my @slovo = split(" ", $content);

   if $content =~ /<div\s+id="predpoved_nej_text"\s+>(.*)<\/div>/ {

    my $text = $1;

    print "Soubor obsahuje: $text \n";

     } else {

    print "Soubor neobsahuje žádné informace \n";   

    }  

     } 

 

Nevíte, kde je chyba? .-)

[saky]

/<div\s+id="dulezity_text"\s*>(.*?)<\/div>/

[pht]

Jo, a obvykle je dobré za to dát /xms nebo aspoň /ms, protože spoléhat se na konce řádků v HTML není dobré :)

[saky]

 Bohužel ani tak to nejede... Aplikace ihned spadne i po nahrazení regulérních výrazů dle Vás..

[pht]

Možná by bylo dobrý nějak popsat jaký text dostanete a co přesně z něho chcete dostat a co to znamená že spadne... takhle je to střílení do hnoje naslepo...

[saky]

 S poslednymi upravami je regex urcite spravny a plne funkcny... mozno by som este upravil moznost vyskytu oboch typov uvodzoviek:

    $content =~ /<div\s+id=["']dulezity_text["']\s*>(.*?)<\/div>/ms

 

btw. ste si isty, ze div element neobsahuje ine atributy ??? Pretoze ak ano (napr. style alebo class,...) tak potom je treba pouzit regex v style:

    $content =~ /<div[^>]+?id=["']dulezity_text["'][^>]*>(.*?)<\/div>/ms

 

Vysledok je potom ulozeny do $1 build-in premennej Perlu...

[petr_p]

Pak tam taky může být atribut id, lang, base, title a kdo ví co ještě. Jak říkám, hrabat se v (X)HTML pomocí řádkové orientovaného editoru je hloupost.

[pht]

Jenže tohle není řádkově orientovaný editor. Extrakce drobných pasáží z HTML pomocí regexpů v Perlu je podstatně jednodušší a rychlejší, než stavět parser na potažmo špatný vstup, protože co si budeme nalhávat, dobrá půlka stránek validátorem nejprojde.

[petr_p]

Právě že HTML::Parser stráví i špatný kód. Jasně, pokud programátor ví, jaký bude vstup, tak regulární výraz je odpovídající nástroj. Pokud ale chcete pokrýt volnost HTML (kam volitelné atributy podle mě patří), tak je lepší použít Parser.

[pht]

Volitelné atributy vyřídíte pomocí .*? nebo něčeho takového; s regexpama můžete dosáhnout dost velké adaptivity proti efektu autorově rupnutí v kouli, případně extrahovat jednoduše několik nesouvisejících věcí do pole, atp.

Písmenko "e" v Perl je od "extract", a operátor =~ by se neměl podceňovat.

[saky]

Chybi Vam zavorky kolem podminky v 'if'. Musi byt

if ( $content =~ /tady je ten regexp/ ) {

} else {

}

[NeoV]

 hehe dobry postreh.. ale ved na toto mu predsa musel priamo poukazal kompilator hlaskou v style:

syntax error at FILE line N , near "if $content"

, alebo nieco podobne

[petr_p]

Doporučuji použít HTML::Parser. Ušetříte si spoustu nervů se špatně utvořeným HTML.