¿Cómo hago que pQuery funcione con HTML ligeramente deformado?

pQuery es un puerto pragmático del marco de JavaScript jQuery para Perl que se puede utilizar para el raspado de la pantalla.¿Cómo hago que pQuery funcione con HTML ligeramente deformado?

pQuery bastante sensible al HTML mal formado. Consideremos el siguiente ejemplo:

use pQuery; 

my $html_malformed = "<html><head><title>foo</title></head><body>bar</body></html>>"; 
my $page = pQuery($html_malformed); 
my $title = $page->find("title"); 
print "The title is: ", $title->html, "\n";

pQuery no va a encontrar la etiqueta del título en el ejemplo anterior, debido a la doble ">>" en el código HTML con formato incorrecto.

Para hacer que mis aplicaciones basadas en pQuery sean más tolerantes al HTML mal formado, necesito preprocesar el HTML limpiándolo antes de pasarlo a pQuery.

Comenzando con el fragmento de código dado anteriormente, ¿cuál es la forma más robusta de puro perl para limpiar el HTML para que lo analice: capaz por pQuery?

Fuente

2010-10-09 knorv

Me gustaría informar de esto como un error en pQuery. Aquí hay una solución:

use HTML::TreeBuilder; 
use pQuery; 

my $html_malformed = "<html><head><title>foo</title></head><body>bar</body></html>>"; 
my $html_cleaned = HTML::TreeBuilder->new_from_content($html_malformed); 
my $page = pQuery($html_cleaned->as_HTML); 
$html_cleaned->delete; 
my $title = $page->find("title"); 
print "The title is: ", $title->html, "\n";

Esto no tiene mucho sentido, ya que ya se utiliza pQuery HTML::TreeBuilder como su mecanismo de análisis subyacente, pero funciona.

Fuente

2010-10-09 19:27:03 cjm

Pruebe HTML::Tidy, que corrige el código HTML no válido.

Fuente

2010-10-09 15:47:25 lonesomeday

Lo siento, pero necesito una solución de puro perl. Ahora se ha aclarado en la pregunta. Gracias por la respuesta de todos modos! :-) – knorv

-1

es eso lo que quieres?

$html_malformed =~ r|<+(<.*?>)>+|$1|g;

Fuente

2010-10-09 16:00:45 elektronikLexikon

No, eso solo captaría el ejemplo dado. Estoy buscando una solución más general. – knorv

¿Cómo hago que pQuery funcione con HTML ligeramente deformado?

Respuesta

Cuestiones relacionadas