Thread utf 8: lesen und schreiben von utf8-html-seiten (25 answers)
Opened by Gast at 2005-04-19 21:03

GwenDragon
 2005-04-20 14:27
#53976 #53976
User since
2005-01-17
14848 Artikel
Admin1
[Homepage]
user image
[quote=newbie001,20.04.2005, 12:10]problematisch ist es dass es immer noch html ist, also tags und skripts sind immer noch vorhanden, dazu kommt dass einige Zeichen wie das Apostroph immer noch als &’ kodiert ist.[/quote]
Nun ja, du muss noch die HTML-tags löschen. ;)
Das geht mit CPAN:HTML::Parser.
Beispiel:
Code: (dl )
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
#!/usr/bin/perl -w

# Extract all plain text from an HTML file

use strict;
use HTML::Parser 3.00 ();

my %inside;

sub tag
{
  my($tag, $num) = @_;
  $inside{$tag} += $num;
  print " ";  # not for all tags
}

sub text
{
   return if $inside{script} || $inside{style};
   print $_[0];
}

HTML::Parser->new(api_version => 3,
          handlers    => [start => [\&tag, "tagname, '+1'"],
               
   end   => [\&tag, "tagname, '-1'"],
               
   text  => [\&text, "dtext"],
               
  ],
          marked_sections => 1,
    )->parse_file(shift) || die "Can't open file: $!\n";;



PS: Es wäre ja nützlich, wenn längere Skripte hier hoch geladen werden könnten.\n\n

<!--EDIT|GwenDragon|1113993261-->

View full thread utf 8: lesen und schreiben von utf8-html-seiten