网页抽取正则问题

iamlimeng

my $html = "<table><tr><td>aa</td><td>bb</td></tr></table>标记1<table><tr><td>cc</td><td>dd</td></tr></table>标记2<table><tr><td>ee</td><td>ff</td></tr></table>";

我有这样一段网页代码，我想得到“标记1”后的td对，即：<td>cc</td><td>dd</td>，并装入数组@td，相当于
@td ＝ ("<td>cc</td>","<td>dd</td>");

我以前都是分两次走，显然很啰嗦：

1. #!/usr/bin/perl
   
2. 
   
3. use strict;
   
4. use warnings;
   
5. 
   
6. my $html = "<table><tr><td>aa</td><td>bb</td></tr></table>标记1<table><tr><td>cc</td><td>dd</td></tr></table>标记2<table><tr><td>ee</td><td>ff</td></tr></table>";
   
7. my ($need) = ($html =~ /标记1(.*?)标记2/i);
   
8. my (@td) = ($need =~ /(<td>.*?<\/td>)/ig);
   
9. print "@td";

复制代码

有没有办法一步做到？

1. #!/usr/bin/perl
   
2. 
   
3. use strict;
   
4. use warnings;
   
5. 
   
6. my $html = "<table><tr><td>aa</td><td>bb</td></tr></table>标记1<table><tr><td>cc</td><td>dd</td></tr></table>标记2<table><tr><td>ee</td><td>ff</td></tr></table>";
   
7. my @td = ($html =~ /.*?标记1.*?(<td>.*?<\/td>)+/i);
   
8. print "@td";

复制代码

尝试这样写，但只得到"<td>dd</td>"。

请精通正则的高手指教。

x9x9

那为何不用HTML::TreeBuilder 呢？一定要正则？

x9x9

一定要两个标记之间的，如果用正则的话估计谁都得两步走吧？

iamlimeng

我已习惯了用正则，有空试试HTML::TreeBuilder 。

我这里只是举个例子，有些时候，数据不是网页，也有类似情况。

heut2009

1. #!/usr/bin/perl
   
2. 
   
3. use strict;
   
4. use warnings;
   
5. 
   
6. my $html = "<table><tr><td>aa</td><td>bb</td></tr></table>标记1<table><tr><td>cc</td><td>dd</td></tr></table>标记2<table><tr><td>ee</td><td>ff</td></tr></table>";
   
7. my @td = ($html =~ /标记1.*?(<td>.*?<\/td>)(<td>.*?<\/td>)/i);
   
8. print "@td";
   
9. ;

复制代码

结果 <td>cc</td> <td>dd</td>

午夜凋零

回复 5# heut2009


    很强大，学习了。

x9x9

结果 cc dd
heut2009 发表于 2010-12-18 12:13

你的正则写的和他第一步提取的结果差不多一样长了。
多亏楼主的例子里只有两个<td></td>，否则你的正则要写很长了。

x9x9

用下前后断言应该就可以了~

1. use strict;
   
2. use warnings;
   
3. 
   
4. my $html = '<table><tr><td>aa</td><td>bb</td></tr></table>标记1<table><tr><td>cc</td><td>dd</td></tr></table>标记2<table><tr><td>ee</td><td>ff</td></tr></table>';
   
5. my @td=($html=~m{(?<=标记1).*?((?:<td>.*?</td>)+).*(?=标记2)}i);
   
6. 
   
7. print @td;

复制代码

heut2009

回复 8# x9x9


    正则虽然无所不能，但是效率上想也知道会很低，我一般都用index 和substr ，截取出目标段，然后再匹配。

kingwmj

学习了。。。。