如何解析HTML文件的一部分並忽略其餘部分？

Question

在每個5,000個HTML文件中，我只能得到一行文本，即999行。如何告訴HTML :: Parser我只需要獲取999行？

</p><h1>dataset 1:</h1> 

&nbsp;<table border="0" bgcolor="#EFEFEF" leftmargin="15" topmargin="5"><tr> 
<td><strong>name:</strong>&nbsp;</td> <td width=500> myname one   </td></tr><tr> 
<td><strong>type:</strong>&nbsp;</td> <td width=500>  type_one (04313488)  </td></tr><tr> 
<td><strong>aresss:</strong>&nbsp;</td><td>Friedrichstr. 70,&nbsp;73430&nbsp;Madrid</td></tr><tr> 
<td><strong>adresse_two:</strong>&nbsp;</td> <td>   no_value  </td></tr><tr> 
<td><strong>telefone:</strong>&nbsp;</td> <td>   0000736111/680040  </td></tr><tr> 
<td><strong>Fax:</strong>&nbsp;</td> <td>   0000736111/680040  </td></tr><tr> 
<td><strong>E-Mail:</strong>&nbsp;</td> <td>  Keine Angabe  </td></tr><tr>  
<td><strong>Internet:</strong>&nbsp;</td><td><a href="http://www.mysite.es" target="_blank">www.mysite.es</a><br></td></tr><tr> <td><strong>the office:</strong>&nbsp;</td> 
<td><a href="http://www.mysite_two" target="_blank">mysite_two </a><br></td></tr><tr> 
<td><strong>:</strong>&nbsp;</td><td> no_value </td></tr><tr> 
<td><strong>officer:</strong>&nbsp;</td> <td> no_value  </td> </td></tr><tr> 
<td><strong>employees:</strong>&nbsp;</td> <td> 259  </td></tr><tr> 
<td><strong>offices:</strong>&nbsp;</td> <td>  8  </td></tr><tr> 
<td><strong>worker:</strong>&nbsp;</td> <td>  no_value  </td></tr><tr> 
<td><strong>country:</strong>&nbsp;</td> <td> contryname  </td></tr><tr> 
<td><strong>the_council:</strong>&nbsp;</td> <td> 

那麼，問題是，是否有可能使用此屬性在5000個文件中執行搜索：999行是感興趣的。換句話說，我能告訴HTML解析器它必須精確地查看（並提取）999行嗎？

---

你好，親愛的RedGritty磚 - 我有HTML經驗很少:: TokeParser

use HTML::TreeBuilder::XPath; 

my $tree = HTML::TreeBuilder::XPath->new; 

#use real file name here 
open(my $fh, "<", "file.html") or die $!; 

$tree->parse_file($fh); 

my ($name) = $tree->findnodes(qq{/html/body/table/tr[1]/td[2]}); 

print $name->as_text; 

BTW; RedGrittyBrick：查看示例網站之一：http://www.kultusportal-bw.de/servlet/PB/menu/1188427/index.html?COMPLETEHREF=http://www.kultus-bw.de/did_abfrage/detail.php?id=04313488 在灰色陰影塊中，您可以看到想要的信息：17條想要的線。請注意 - 我有5000個不同的HTML文件 - 所有文件的結構都是一樣的！

這意味着我會很高興有一個可以用HTML :: TokeParser :: Simple和DBI運行的模板。

愛得到提示

Answer 1

你的意思是第999行或999錶行？

前者可能是

perl -ne 'print if $. == 999' /path/to/*.dat 

後者將包括HTML解析器和一些選擇邏輯。 Sax解析器可能更適合快速處理大量文件。它可能取決於使用哪個版本的HTML，以及它是否是「格式良好」的。

Perl有很多XML和HTML解析器 - 你有沒有特定的模塊？

---

編輯：

你的問題似乎是你的XPath表達式。實際的HTML比XPath建議的 複雜得多。下面的表達效果更好

#!/usr/bin/perl 
use strict; 
use warnings; 
use LWP::Simple; 
use HTML::TreeBuilder::XPath; 

# 
# replace this with a loop over 5000 existing files 
# 
my $url = 'http://www.kultusportal-bw.de/'. 
      'servlet/PB/menu/1188427/index.html'. 
      '?COMPLETEHREF='. 
      'http://www.kultus-bw.de/'. 
      'did_abfrage/detail.php?id=04313488'; 
my $html = get $url; 

my $tree = HTML::TreeBuilder::XPath->new(); 
# 
# within the loop process the html like this 
# 
$tree->parse($html); 
$tree->eof; 
print $tree->findvalue('//table[@bgcolor]/tr[1]'); 

嘗試切割以上並粘貼到文件，然後用Perl運行它。