Foro - Perl en Español

por **ragnar131** » 2008-05-06 05:55 @288

Buenas.

Veréis, estoy intentando aprender a utilizar el módulo HTML::Parser, para seleccionar únicamente unas etiquetas de un fichero XHTML.

Tal y como me habían contado el funcionamiento de este módulo, hay que indicarle un "evento" para que se fije en él.

Mi intención, sería obtener el texto contenido entre las etiquetas <h1>, </h1>, <p> y </p> del texto que descargo según el siguiente código.

Sintáxis: [ Descargar ] [ Ocultar ]

Using perl Syntax Highlighting

#!/usr/bin/perl
use XML::Simple;
use Data::Dumper;
use HTML::Parse;
use HTML::FormatText;

use strict;
my$articulo;
my$formatText;
my$seleccion;
my@array;

`wget http://meneame.net/story/86-directores- ... contenidos -O articuloDePrueba`;
$articulo=`cat articuloDePrueba`;
$formatText= HTML::FormatText->new->format(parse_html($articulo));
$seleccion=  HTML::Parser->new( api_version =>3,
#start_h => [\&start, "tagname, attr"],

                         start_h =>[\&start,"h1, text"],

                         end_h   =>[\&end,"p"],

                         marked_sections => 1,
);

# $seleccion = HTML::Parser->new(api_version => 3,
#                        handlers => { text => [\@array, "event,text"],
#                                      comment => [\@array, "event,text"],
#                                    });

open F,">PRUEBA";
print F "$seleccion";
foreach$seleccion(@array){
print F "$seleccion";
}
close F;Coloreado en 0.003 segundos,  usando GeSHi 1.0.8.4

El código aún tiene resquicios de varios intentos que he realizado, tristemente, sin resultados satisfactorios.

¿Podríais darme alguna idea de cómo actuar con este módulo?

Gracias por vuestro tiempo y atención, recibid un cordial salud, Aitor.

#!/usr/bin/perl
use warnings;
use strict;

use HTML::Parser;
use LWP::Simple;

my$estamos_dentro_de_marca=0;
my$articulo= get('http://meneame.net/story/86-directores-prensa-son-presionados-para-influir-contenidos');

sub start {
my$tag=shift;
returnif$tagne'h1'and$tagne'p';
$estamos_dentro_de_marca=1;
}

sub end {
my$tag=shift;
returnif$tagne'h1'and$tagne'p';
$estamos_dentro_de_marca=0;
}

sub texto {
returnifnot$estamos_dentro_de_marca;
print"$_[0]\n\n";
}

my$parser= HTML::Parser->new(

    api_version => 3,

    handlers    =>[

        start   =>[\&start,"tagname"],

        end     =>[\&end,"tagname"],

        text    =>[\&texto,"dtext"],
],

    marked_sections => 1,
);

$parser->parse($articulo);Coloreado en 0.001 segundos,  usando GeSHi 1.0.8.4

Código: Seleccionar todo: explorer@joaquin:~/Documents/Desarrollo> ./kk.pl Un 86% de los directores de prensa son presionados para influir en los contenidos El mayor porcentaje de las injerencias externas, un 76,5 por ciento, está relacionado con el intento de evitar la publicación de una noticia, mientras que un 71,2 por ciento de los directores afirma que ha recibido presiones relacionadas con amenazas de retirada de la publicidad.

De todas formas, creo que debe haber mejores formas que este módulo. Me parece demasiado complejo para lo que quieres hacer.

por **ragnar131** » 2008-05-12 05:54 @287

Previo a todo, gracias por responder y pido disculpas por no haber escrito antes. Llevo unos días sin conexión a causa de la compañía.

Más que el código, preguntaba por el funcionamiento, pero con lo puesto y un par de pruebas, he podido entender su funcionamiento a grosso modo.

Así que una vez más, ¡Gracias!

Foro - Perl en Español

Utilizando HTML::Parser

Utilizando HTML::Parser

Publicidad

¿Quién está conectado?