设为首页 收藏本站
查看: 931|回复: 0

[经验分享] Perl解析当当网图书信息页面

[复制链接]

尚未签到

发表于 2015-12-25 16:01:15 | 显示全部楼层 |阅读模式
  功能描述:


  • 首先判断html文件是否为当当图书的页面,不是则不处理
  • 把图书标题,价格,作者,出版社等信息抽取出来存入文件
  • perl程序运行命令:perl  programfile    html_file_list
  原代码奉上:



#!/usr/bin/perl
use HTML::Element;
use HTML::TreeBuilder;
use HTML::Parser;
open DATAFH,">>data" || die "open file failed:$!";
select DATAFH;
foreach my $file_name (@ARGV) {
unless(-e $file_name){
print "$file_name文件不存在.\n";
next;
}
##首先判断文件编码是不是UTF-8,如果不是要转换成UTF-8,因为我发现perl的HTML模块好像只能处理UTF-8编码的文件,处理GBK文件时会出现中文乱码。而我们从网上下载的页面几乎都是GBK编码。
system "enca","-L","zh_CN","-x","UTF-8",$file_name;##用enca比用iconv的好处在于不需要管原文件是什么编码(即使本来就UFTF-8编码),直接转换成UTF-8编码就是了。
my $root = HTML::TreeBuilder->new;
$root->parse_file($file_name);
$title=$root->find_by_tag_name('title');
$str_title=$title->as_text();
if($str_title=~qr/图书 - 当当网$/){
print "网页标题:$str_title\n";
$div_h1=$root->look_down("_tag","div","class","h1_title book_head");
$h1=$div_h1->look_down('_tag','h1');
print "图书名称:",$h1->as_text(),"\n";
$div_info=$root->look_down("_tag","div","class","info book_r");
$price_d=$div_info->look_down("_tag","p","class","price_d");
print $price_d->as_text(),"\n";
$price_m=$div_info->look_down("_tag","p",
"class","price_m");
foreach my $node_r ($price_m->content_refs_list){
next if ref $$node_r;
print $$node_r,"\n";
}
$div_detail=$div_info->look_down("_tag","div","class","book_detailed","name","__Property_pub");
@elements=$div_detail->find_by_tag_name('p');
foreach(@elements){
print $_->as_text(),"\n";
}
$clear=$div_detail->look_down("_tag","ul","class","clearfix");
@lis=$clear->content_list();
@spans=$lis[0]->content_list();
print $spans[1]->as_text(),"\n";
@spans=$lis[2]->content_list();
print $spans[1]->as_text(),"\n";
print $spans[2]->as_text(),"\n";
print "********************************************\n";
$|=1;
}
else{
print STDOUT "$file_name不是当当网图书信息页面。\n";
next;
}
$tree = $root->delete;
}
close DATAFH;

  输出文件里的内容:
DSC0000.png

运维网声明 1、欢迎大家加入本站运维交流群:群②:261659950 群⑤:202807635 群⑦870801961 群⑧679858003
2、本站所有主题由该帖子作者发表,该帖子作者与运维网享有帖子相关版权
3、所有作品的著作权均归原作者享有,请您和我们一样尊重他人的著作权等合法权益。如果您对作品感到满意,请购买正版
4、禁止制作、复制、发布和传播具有反动、淫秽、色情、暴力、凶杀等内容的信息,一经发现立即删除。若您因此触犯法律,一切后果自负,我们对此不承担任何责任
5、所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其内容的准确性、可靠性、正当性、安全性、合法性等负责,亦不承担任何法律责任
6、所有作品仅供您个人学习、研究或欣赏,不得用于商业或者其他用途,否则,一切后果均由您自己承担,我们对此不承担任何法律责任
7、如涉及侵犯版权等问题,请您及时通知我们,我们将立即采取措施予以解决
8、联系人Email:admin@iyunv.com 网址:www.yunweiku.com

所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其承担任何法律责任,如涉及侵犯版权等问题,请您及时通知我们,我们将立即处理,联系人Email:kefu@iyunv.com,QQ:1061981298 本贴地址:https://www.yunweiku.com/thread-156319-1-1.html 上篇帖子: [转] perl 半角 全角 转换 下篇帖子: Perl中对hash的操作
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

扫码加入运维网微信交流群X

扫码加入运维网微信交流群

扫描二维码加入运维网微信交流群,最新一手资源尽在官方微信交流群!快快加入我们吧...

扫描微信二维码查看详情

客服E-mail:kefu@iyunv.com 客服QQ:1061981298


QQ群⑦:运维网交流群⑦ QQ群⑧:运维网交流群⑧ k8s群:运维网kubernetes交流群


提醒:禁止发布任何违反国家法律、法规的言论与图片等内容;本站内容均来自个人观点与网络等信息,非本站认同之观点.


本站大部分资源是网友从网上搜集分享而来,其版权均归原作者及其网站所有,我们尊重他人的合法权益,如有内容侵犯您的合法权益,请及时与我们联系进行核实删除!



合作伙伴: 青云cloud

快速回复 返回顶部 返回列表