首页 文章

Perl的XML :: Simple如何忽略XML中嵌入的HTML？

提问于
浏览 次
3

我有一个XML文件，我从网上和解析 . XML中的一个项目是具有HTML的'content'值 . 我正在使用XML::Simple::XMLin解析文件，如下所示：

$xml= eval { $data->XMLin($xmldata, forcearray => 1, suppressempty=> +'') };

当我使用 Data::Dumper 转储哈希时，我发现 SimpleXML 正在将HTML解析为哈希树：

'content' => {
      'div' => [
                 {
                   'xmlns' => 'http://www.w3.org/1999/xhtml',
                   'p' => [
                       {
                         'a' => [
                             {
                                'href' => 'http://miamiherald.typepad.com/.a/6a00d83451b26169e20133ec6f4491970b-pi',
                               'style' => 'FLOAT: left',
                               'img' => [
                                   etc.....

这不是我想要的 . 我想 grab 这个条目里面的内容 . 我该怎么做呢？

xml perl parsing

4 回答

  • 3

    我的一般规则是，当XML::Simple开始失败时，是时候转到另一个XML处理模块了 . XML::Simple 真的应该适用于你不需要做一些额外工作的情况，我通常觉得这些工作很难与_1764580整合 .

    回复于
  • 0
    #!/usr/bin/perl

use strict; use warnings;

use XML::LibXML::Reader;
my $reader = XML::LibXML::Reader->new(IO => \*DATA)
    or die "Cannot read XML\n";

if ( $reader->nextElement('content') ) {
    print $reader->readInnerXml;
}

__DATA__
<content>
<div xmlns="http://www.w3.org/1999/xhtml">
<p><a href="http://miamiherald.typepad.com/" style="float:left"><img
src="tada"/></a></p>
</div>
</content>

    输出：

    <div xmlns="http://www.w3.org/1999/xhtml">
<p><a href="http://miamiherald.typepad.com/" style="float:left"><img src="tada"/
></a></p>
</div>
    回复于
  • 3

    如果HTML直接包含在XML中（而不是被转义或在 CDATA 中），则XML::Simple无法知道停止解析的位置 .

    但是，您可以通过将数据结构的该部分传递给 XML::Simple 的 XMLout() 函数来重构HTML .

    回复于
  • 2

    如果HTML不在CDATA构造内部或以其他方式编码，那么您可以做的就是轻微破解 .

    在使用XML :: Simple进行处理之前，找到 <my_html> 标记的内容，这些内容可能是可疑的HTML，并通过HTML实体编码器（"<" => "&lt'"等...）传递它们，如HTML :: Entities . 然后插入编码内容而不是 <my_html> 标记的原始内容 .

    这非常hacky，非常容易做错，除非你100％知道你正在用正则表达式做什么，不应该这样做 .

    话虽如此，它将解决您的问题 .

    回复于

相关问题