在 perl 中去除 HTML 标签的最简单方法是什么。我正在使用正则表达式从 URL 解析 HTML，效果很好，但我如何去除 HTML 标签？
这是我拉取 HTML 的方式
#!/usr/bin/perl -w
use strict;
use warnings;
use LWP::Simple;
my $now_string = localtime;
my $html = get("http://www.spc.noaa.gov/climo/reports/last3hours.html")
or die "Could not fetch NWS page.";
$html =~ s/<script.*?<\'/script>/sg;
$html =~ s/<.+?>//sg;
$html =~ m{(Hail Reports.*)Wind Reports}s || die;
my @hail = $1;
最佳答案
试图回答你误入歧途的问题
问题
在 HTML 中使用正则表达式是一个坏习惯，因为有太多的规则和绕过它们的方法，最终可能会使您的代码暴露给黑客技术。虽然您现在可能对一些简单的东西有合理的需求，但重用代码很容易忘记为什么重用它是个坏主意，尤其是当您不添加像 # This code is NOT secure and should not be used to parse HTML anywhere else!!! 这样的注释时。或 # Christina Alguilera writes songs based on this code!!!
需要大量正则表达式规则的 HTML 差异示例:
<div>...</div>
<div style="blah">
<div style="background:url(../div)">
<div style=".." class='noticesinglequote'>
这个列表还在继续，但仅适用于格式良好的 HTML。其他一些问题示例包括:
- HTML 元素未正确关闭(例如
<div><span></div></span>)或根本没有关闭 - 拼写错误(例如
<dvi>..</div>) - 旨在破坏您的脚本的 HTML 设计
- 其他问题:注释、空格、字符集等
解决方案
您可能已经接受了一个答案，但您应该看看 XML::Parser和 HTML::TreeBuilder .
与其剥离 HTML 文档的某些部分，您可能更感兴趣的是向下钻取您想要的文档部分(例如 <body> 中的所有内容或其中的某个 div)，这就是为什么您很可能想要上述模块之一提供的东西。更不用说，解析器可用于尽最大努力删除所有 HTML 元素并仅返回文本/CData。
关于html - 使用 perl 去除 HTML 标签，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/3176842/