使用 Mojo::DOM 在标题后提取未标记的文本

Question

我正在尝试使用 Mojo::DOM 从 HTML 文件中提取一些没有标签的文本（我是新手）。特别是H2标题后的描述文字（文件中还有其他标题）。

<h2>Description</h2>This text is the description<div class="footer">[<a href="/contrib/rev/1597/2795/">Edit description</a>

我已经找到了标题，但不知道如何访问后面的文本，因为我没有要跳转到的标签...

my $dom = Mojo::DOM->new( $htmlfile );
my $desc = $dom
    ->find('h2')
    ->grep(sub { $_->all_text =~ /Description/ })
    ->first;

任何人都可以向我推荐一种如何获取 "This text is the description" 字符串的方法吗？

Answer 1

试试这个代码，我刚刚添加了一个父元素：

#!/usr/bin/perl

use strict;
use warnings;
use Mojo::DOM;


my $html = q{<div class="container"><h2>Description</h2>This text is the description<div class="footer">[<a href="/contrib/rev/1597/2795/">Edit description</a>
</div></div>};

my $dom = Mojo::DOM->new($html);

print $dom->at('div.container')->text();

或者，使用您的 HTML 代码段，可以完成以下操作：

print $dom->text();

Answer 2

一个人可以遍历所有个节点，也可以捕获那些不在 HTML 元素（标签）内的节点。然后使用您需要跟随 h2 标记的节点这一事实。

更准确地说，它遵循作为（可识别的）h2 标记节点的子节点的文本节点。

use warnings;
use strict;
use feature 'say';

use Mojo::DOM;

my $html = q(<h2>Description</h2> This text is the description <p>More...</p>);

my $dom = Mojo::DOM->new($html);

my $is_next = 0;

foreach my $node ($dom->descendant_nodes->each) { 
    my $par = $node->parent;
    if ($node->type eq 'text' and $par->type eq 'tag' and $par->tag eq 'h2') { 
        $is_next = 1;
    }   
    elsif ($is_next) {
        say $node;       #-->   This text is the description
        $is_next = 0;
    }   
}

可以通过询问前一个文本节点（h2 标签的文本）来添加更多关于哪些 h2 节点感兴趣的标准（除非它真的是所有这些节点）或其父级（标签）。

节点本身也应该被检查，例如查看它是否确实只是松散的文本而不是下一个标签。

我测试过更复杂的 HTML；以上是一个接近最小的可测试标记。

在这个简单的示例中，$dom->text 捕获了所需的文本。但是，在更复杂的片段中情况并非如此，在这些片段中，查找的文本不在第一个元素之后。

使用 Mojo::DOM 在标题后提取未标记的文本

Using Mojo::DOM to extract untagged text after heading

perl

mojo-dom