Foro - Perl en Español

Hola necesito obtener de un documento html un arreglo de las etiquetas <a href="...">cualquier cosa</a> lo he intentando con expresiones regulares pero no ha funcionado, necesito obtener todas las direcciones que tiene la web, ¿alguien tiene una idea?

Hola, quizás puedas echarle una mirada a los siguientes módulos:
http://search.cpan.org/~podmaster/HTML- ... tractor.pm
http://search.cpan.org/~gaas/HTML-Parse ... nkExtor.pm
http://search.cpan.org/~gaas/HTML-Parse ... eParser.pm

Saludos.

Un ejemplo con HTML::LinkExtor:

Código: Seleccionar todo

#!/usr/bin/perl -l
use LWP::Simple;
use HTML::LinkExtor;

## Leemos el documento HTML
$doc = get("http://perlenespanol.com/foro/index.php");

## Extraemos los enlaces que hay dentro
$extractor = HTML::LinkExtor->new;
$extractor->parse($doc);

## Pintado de sólo los enlaces con marca 'a' y con atributo 'href'
foreach $enlace ( $extractor->links ) {
    ($tag,%links) = @{$enlace};
    next unless $tag eq "a";
    print $links{href} if defined $links{href};
}

HTML::LinkExtractor permite extraer más información (como el texto del enlace).

Con expresiones regulares, se puede intentar con algo sencillo:

Código: Seleccionar todo

#!/usr/bin/perl -l
$doc = do{ local $/; open F,"index.html"; <F>};
while( $doc =~ /<\s*a.*?href="(.+?)"/sig) {
    print $1;
}

Otro ejemplo en este mismo foro.

O puedes hacer algo como esto:

Código: Seleccionar todo

my $html = "<a href="http://perlenespanol.com"</a>";
my @todo = split / /, $html;
foreach my $palabra (@todo){
  if($palabra =~ /^href=(.*)$/){
    $palabra =~ s/href="//g;
    $palabra =~ s/"//g;
    $palabra =~ s/\<(a|A)\/\>//g;
    print "Link => ", $palabra, "\n";
  }
}


O algo asi.

Las respuestas donde te pusieron una expresión regular directamente no es mala, pero es la peor solución, para hacer el parsing de una URL/URI con una expresión regular no es TAN sencillo y requiere de mas trabajo que el que te pusieron.

Recomiendo aparte del uso de HTML::LinkExtor como ya te mencionaron, el uso de WWW::Mechanize, el cual solo te costará invocar un sólo método, checa la documentación.

Best regards,