[HTML::Parser] Überschriften parsen und als Liste darstellen - nur wie? (gelöst) (Fragen zu Perl-Modulen)

[thread]21524[/thread]

[HTML::Parser] Überschriften parsen und als Liste darstellen - nur wie? [gelöst]

Tags: perl5 HTML::Parser Ähnliche Threads

Leser: 7

Articles: hide open all | hide show old branches

+7 replies

GwenDragon

2023-12-20 16:08

User since
2005-01-17
14542 Artikel
Admin1

Ich bekomme es nicht hin, bei Überschriften den Text zu bekommen und als verschachtelte Liste (egal ob ul oder ol) für ein Inhaltsverzeichnis zu generieren.
Der Parse für die Hx-Elemente selbst ist ja simple, aber dann den eingeschlossenen text zu bekommen, und das Ganze als Liste auszugeben.
Den HTML::Parser verstehe ich einfach nicht.

Code (perl): (dl )

package toc;

use strict;
use warnings;
use 5.020;
use HTML::Parser;

use vars qw( $toc );

sub toc {
    my $source = shift;

    my @parsed  = ();
        
    my $tag_sub = sub {
        my $s = shift;
        my $tag = shift;
        if ( $tag =~ m/[hH](\d)/ ) {
                push @parsed, "level $1: $s";
        }
    };
    my $text_sub = sub { 
        push @parsed, shift; 
    };

    # HTML-Parser erzeugen
    my $p = HTML::Parser->new(
        api_version   => 3,
        start_h       => [ $tag_sub,  "text,tagname" ],
        end_h         => [ $tag_sub,  "text,tagname" ],
        #process_h     => [ $text_sub, "text" ],
        #comment_h     => [ $text_sub, "text" ],
        #declaration_h => [ $text_sub, "text" ],
        #default_h     => [ $text_sub, "text" ],
    );
    $p->empty_element_tags(1);
    $p->report_tags( qw(h1 h2 h3 h4 h5 h6) );
    $p->xml_pic(1);    
    $p->utf8_mode(1);
    $p->case_sensitive(1); 
    $p->parse($source);
    $p->eof();
    
    return "\n\n<!--\n" . join("\n",@parsed) . "\n-->\n\n";
}

sub story {
    my ( $story_ref ) = @_;

    $toc = toc::toc($$story_ref);       
        $$story_ref =~ s/\Q{{{%%TOC%%}}}\E/Inhalt:\n$toc/;

    return 1;
}

1;

package main;

#use toc;

my $DATA = join "",<DATA>;

toc::story(\$DATA);

say $toc::toc;

__DATA__

{{{%%TOC%%}}}

<h1>Test 1</H1>

<p>Test</p>

<h2>Test 2</H2>

<p>Test 123</p>

<h2>Test 3</H2>

<p>Test</p>

<h1>Test 4</H1>

<p>Test</p>

<h1>Test 5</H1>

<p>Test</p>

ergibt:

Code: (dl )

<!--
level 1: <h1>
level 2: <h2>
level 2: <h2>
level 1: <h1>
level 1: <h1>
-->

die Drachin, Gwendolyn

Unterschiedliche Perl-Versionen auf Windows (fast wie perlbrew) • Meine Perl-Artikel

+4 replies
barney

2023-12-20 17:24
User since
2008-08-31
131 Artikel
BenutzerIn
Hallo,

ich habe mir zufälligerweise heute auch HTML::Parser im Zusammenhang mit HTML::Scrubber angeschaut. In den Parser bin ich aber nicht tiefer eingestiegen.

Meine erste Vermutung wäre dass du im Konstruktor noch
Code: (dl )

text_h => [ $text_sub, "text" ],
übergeben musst. Damit wird überhaupt mal ein Handler für den Text aufgerufen. Damit der richtige Text im Inhaltsverzeichniss landet muss man sich wahrscheinlich noch merken ob man sich gerade in einem h-Block befindet.

Schleierhaft ist mir aber auch warum anscheinend der 'end' handler nicht aufgerufen wird.
- +3 replies
- GwenDragon
  
  2023-12-20 17:46
  
  User since
  2005-01-17
  14542 Artikel
  Admin1
  
  Wenn ich text_h inzufüge, dann werden auch Textinhalte gefunden, aber wie seite ich die, dass ich innerhalb $tag_sub den text auch noch bekomme.
  more (958b)
  
  Wie zu sehen, folgen Texte der Headings kurz danach.
  Ich weiß nur nicht wie es zu einem Array-Eintrag werden kann.
  Meinetwegen ähnlich wie push @parsed,[ tag, level, text ] ????
  Last edited: 2023-12-20 18:19:49 +0100 (CET)
  die Drachin, Gwendolyn
  
  Unterschiedliche Perl-Versionen auf Windows (fast wie perlbrew) • Meine Perl-Artikel
  - +2 replies
  - barney
    
    2023-12-20 18:54
    
    User since
    2008-08-31
    131 Artikel
    BenutzerIn
    
    Zuerst würde ich im $tag_sub noch das Event mit übergeben. Dann muss man herausfinden ob der Handler für die Ende-Tags aufgerufen werden. Wenn das passt, dann kann man die Handler erweitern. Für die Start-Tags kann man eine Variable $IsInHeader setzen und bei den Ende-Tage wieder ausschalten. D.h. alle Texte die bei gesetzten $IsInHeader kommen gehören dann zur Überschrift. Alle anderen Texte können ignoriert werden.
    - GwenDragon
      
      2023-12-21 09:56
      
      User since
      2005-01-17
      14542 Artikel
      Admin1
      
      Ein Flag, ob sich der Parser ein Heading geschnappt hatte, ist da wohl die Lösung.
      Danke.
      
      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 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56
      
      sub toc { my $source = shift; my @parsed; my $h_flag; my $data; my $text_sub = sub { if ($h_flag) { $data->{text} = shift; push @parsed, $data; $data = undef; $h_flag = 0; } }; ## my $end_sub = sub { ## if ($h_flag) { ## $data = undef; ## $h_flag = 0; ## } ## }; my $tag_sub = sub { my $s = shift; my $tag = shift; my $self = shift; if ( $tag =~ m/[hH](\d)/ ) { $data = { level => $1, tag => $tag, text => "" }; $h_flag = 1; } }; # HTML-Parser erzeugen my $p = HTML::Parser->new( api_version => 3, start_h => [ $tag_sub, "text,tagname,self" ], #end_h => [ $end_sub, "text,tagname,self" ], text_h => [ $text_sub, "text,self" ], #process_h => [ $text_sub, "text,self" ], #comment_h => [ $text_sub, "text,self" ], #declaration_h => [ $text_sub, "text,self" ], #default_h => [ $text_sub, "text,self" ], ); $p->empty_element_tags(1); $p->report_tags(qw(h1 h2 h3 h4 h5 h6)); $p->xml_pic(1); $p->utf8_mode(1); $p->case_sensitive(1); $p->parse($source); $p->eof(); return @parsed; } ## end sub toc
      
      Damit ist meine Ausgangsfrage beatwortet.
      Last edited: 2023-12-21 11:29:27 +0100 (CET)
      die Drachin, Gwendolyn
      
      Unterschiedliche Perl-Versionen auf Windows (fast wie perlbrew) • Meine Perl-Artikel
+2 replies

Gustl

2023-12-20 21:12

User since
2011-01-27
441 Artikel
BenutzerIn

Hallo, ich habe es mit regex gelöst. Vielleicht hilft es.

Code (perl): (dl )

#!/usr/bin/perl -w
                              
use strict;

my @result;
my $content = do { local $/ = undef; <DATA> };

$content =~ s/<\/h(\d)>/<\/h$1>\n/gi;

while ($content =~ /<h(\d)>(.*)<\/h\d>/gmi) {
    push( @result, "Level: ".$1.": ".$2);
}

foreach(@result){
  print $_."\n";
}

__DATA__

{{{%%TOC%%}}}

<h1>Test 1</H1> 

<p>Test</p>

<h2>Test 2</H2>

<p>Test 123</p>

<h2>Test 3</H2>

<p>Test</p>

<h1>Test 4</H1>

<p>Test</p> <h3>Test 5</H3> <h4>Test 6</H4>  

<h1>Test 7</H1>

<p>Test</p>

Ergebnis:

Code: (dl )

Level: 1: Test 1
Level: 2: Test 2
Level: 2: Test 3
Level: 1: Test 4
Level: 3: Test 5
Level: 4: Test 6
Level: 1: Test 7

bianca

2023-12-21 08:43
User since
2009-09-13
6977 Artikel
BenutzerIn
2023-12-20T20:12:58 Gustl

Code (perl): (dl )

my $content = do { local $/ = undef; <DATA> };
Das ist ja mal genial!
10 print "Hallo"
20 goto 10

View all threads created 2023-12-20 16:08.