Foro - Perl en Español

Hola, soy nuevo en esto de Perl. He estado buscando por el foro mi duda pero no la he encontrado, por eso he creado este nuevo tema.

El caso es que quiero descargar solo el texto de una página web. He probado con:


Y con diferentes opciones de wget pero no consigo dar con la solución.

Por eso pregunto a los sabios del foro que parámetros tengo que indicarle a wget para que me descargue sólo el texto de la página web.

Muchísimas gracias por la ayuda, no sólo con esta cuestión, si no por todas las ayudas que me habéis brindado desde que he empezado con Perl, si bien no estaba registrado hasta hoy, llevo accediendo a esta página desde hace un tiempo.

¡Saludos y de nuevo gracias!

Bienvenido a los foros de Perl en español, jasne.

El tema es que wget solo devuelve el código HTML que le estás pidiendo. Pero lo que realmente quieres es solo la parte del texto que está dentro de ese código HTML.

Aquí puede haber un problema: ¿qué es lo que definimos como texto de la página? ¿Todo el contenido textual o solo aquél texto que aparece dentro de las marcas <p> (párrafos)? ¿Y si hay texto dentro de marcas <span> o <div>? ¿Y qué hacemos con el texto que hay dentro de los titulares <h1>, <h2>, <h3>...?

Debes concretar un poco la pregunta.

Por otra parte, en CPAN hay módulos para extraer todo el texto de una página HTML. Por ejemplo, HTML::Extract. También hay programas ya hechos, con muchas opciones, como html2plain.pl.

Hola, antes de nada muchas, gracias explorer, por la rápida respuesta.

Tienes razón: debo concretar un poco más mi consulta. Lo que quiero es guardar la página web en formato fichero de texto. Es decir, si utilizara un navegador, y quisiera guardar la página le daría a "guardar como" y en tipo pondría "Archivo de texto". Lo que ocurre es que no sé hacer eso en Perl, por eso estaba utilizando wget, por si podía hacerlo.

Dado el formato del contenido de las páginas web que quiero descargar, sería el texto que aparece dentro de las marcas <p>, como tu bien has dicho, ya que el formato es el siguiente:



Y así, una vez descargado estos datos en un fichero, ya puedo trabajar con ellos.

Espero haberme explicado mejor ahora.

¡Muchas gracias de nuevo!

¡Saludos!

PD: voy a echarle un vistazo también a HTML::Extract

Hola de nuevo,

No lo he conseguido. ¿Algún alma caritativa que me ilumine?

¡Gracias y Saludos!

¿Dónde está el código que no te funciona?

Hombre, si lo queremos hacer externamente lo suyo sería



pero me gustaría ver una solución más "perlífera"... HTML::extract tiene buena pinta

Si te funciona, entonces ya es una solución perlera.

Otra cosa es que quieras cambiar la llamada a wget por el método get() del módulo LWP::Simple, y que, en cuanto a la extracción de texto, trabajaras el desarrollo con algún módulo ya comentado.

Hola de nuevo,

Al final, como todas las páginas web a las que tenía que acceder eran muy sencillas y tenían todas la misma estructura, no me hizo falta más que extraer sólo el texto contenido entre las <p>, por lo que utilizando simplemente wget he solucionado el problema.

Y mi script ya está en funcionamiento.

Muchas gracias por la ayuda, y sin duda seguiré visitando este foro.

¡Saludos!