0

Web ページの html コンテンツを取得し、テーブルのコンテンツをスクレイピングする Perl スクリプトを作成したいと思います。正確なページは次のとおりです。

http://djbpmstudio.com/Default.aspx?Page=album&id=1

これまでのところ、次のコードを使用して、アーティスト、アルバム、ジャンル、およびテーブルの最初のエントリを正規表現できます。

use LWP::Simple;

$url = "http://djbpmstudio.com/Default.aspx?Page=album&id=1";
my $mystring = get($url) or die "Error fetching source page.";
$mystring =~ s/[\r\n]/ /g;      #remove line breaks from HTML
$mystring =~ s/(>)\s+(<)/$1$2/g;    #Remove white space between html tags 
#print $mystring;

if($mystring =~ m{</table><h1>(.*?) - (.*?) - (.*?)</h1>}) {
    #Get Artist name and print
    print "Artist: $1\n";
    print "Album:  $2\n";
    print "Genre:  $3\n\n";

    if($mystring =~ m{</tr><tr class="row-(.*?)"><td>(.*?)</td><td align="right">(.*?)</td></tr>}) {
        #Get Songname and BPM and print
        #print "$1\t";
        print "$2\t";
        print "$3\n";
    }
}

ネストされた IF では、クラスは「row-a」と「row-b」を交互に繰り返します。

リストを下に移動して、それぞれの曲名と BPM をすべて取得する方法がわかりません。また、曲名と BPM を後で処理するために配列に入れたいと思います。

ありがとうございました。

4

2 に答える 2

4

HTML を処理するために正規表現を使用することは、ほとんど常に悪い考えです。

悪くないでください。

HTML データの処理には、HTML データを理解するモジュールを使用してください。

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

my $html = get 'http://djbpmstudio.com/Default.aspx?Page=album&id=1';

my $te = new HTML::TableExtract( headers => ['Track Name', 'BPM'] );
$te->parse($html);
foreach my $ts ($te->table_states) {
   foreach my $row ($ts->rows) {
       next unless $row->[0] =~ /\w/;   # skip garbage rows
       printf "%-20s   ==>   %.2f\n", $row->[0], $row->[1];
   }
}
于 2011-04-26T01:12:33.383 に答える
2

HTML :: TableExtractを使用してテーブルからデータをスクレイピングすると、作業がはるかに楽になります。

于 2011-04-26T08:03:50.180 に答える