我试图自动提取在网站上找到的文字记录。整个成绩单在dl标签之间找到,因为站点在描述列表中格式化了面试。下面的脚本允许我搜索站点并以纯文本格式提取文本,但实际上我正在寻找它包含dl标记之间的所有内容,意思是dd,dt,等等。这将使我们能够为面试开发自己的CSS。
值得注意的是,在面试过程中,会在不同的时间点插入中断语句。我们发现一些工具使用配对从网页中提取信息,发现这是一个问题,因为它只会抓取信息,直到have语句为止。只要你给我指明一个不同的方向就好了。到目前为止我的情况是这样的。
#!/usr/bin/perl -w
use strict;
use WWW::Mechanize;
use WWW::Mechanize::TreeBuilder;
my $mech = WWW::Mechanize->new();
WWW::Mechanize::TreeBuilder->meta->apply($mech);
$mech->get("http://millercenter.org/president/clinton/oralhistory/madeleine-k-albright");
# find all <dl> tags
my @list = $mech->find('dl');
foreach ( @list ) {
print $_->as_text();
}如果有一个工具,本质上打印了我所拥有的,只是这次作为HTML,请让我知道它!
发布于 2015-09-01 17:46:36
您的代码很好,只需将as_text()方法更改为as_HTML(),它将显示包含HTML标记的内容。
https://stackoverflow.com/questions/32337580
复制相似问题