HTML::TreeBuilder これだけ覚えりゃ、とりあえずＯＫ（？）

HTML を解析するには HTML::TreeBuilder が便利なんだけど、なかなか初心者向けのドキュメントが見つけられなかったので、自分用の覚え書きの意味も含めて、まとめておこうと思います。

とりあえずこんな HTMLファイル(sample.html) を処理してみましょう。

<html>
<head>
  <title>sample.html</title>
</head>
<body>
<div class="entry">
  <div class="entry_head">
    <h1><a href="http://www.hoge.jp/" id="link">www.hoge.jp</a> is fugafuga</h1>
  </div>
  <div class="entry_body">
    hogehoge-fugafuga-hogehoge-fugafuga
  </div>
</div>
</body>
</html>

でもって、パースするプログラムはこんな感じ

#!/usr/bin/perl
use strict;
use warnings;
use HTML::TreeBuilder;
# ファイルを処理する場合はこんな感じ
my $tree = new HTML::TreeBuilder;
$tree->parse_file( "sample.html" );
$tree->eof();
# Wegページを読み込んで解析する場合はこんな感じ
# 
# use LWP::Simple;
# my $html = get("http://www.hoge.jp/");
# 
# my $tree = new HTML::TreeBuilder;
# $tree->parse($html);
# $tree->eof();
# 

# -- タグの種類に対する処理 --
foreach my $tag ($tree->find("h1")) {
  print $tag->as_text,"\n"; # 含まれるテキストを取り出す
}
# 結果は「www.hoge.jp is fugafuga」

foreach my $tag ($tree->find("h1")) {
  print $tag->as_HTML,"\n"; # 含まれるHTMLを取り出す
}
# 結果は「<h1><a href="http://www.hoge.jp/">www.hoge.jp</a> is fugafuga</h1>」

foreach my $tag ($tree->find("a")) {
  print $tag->attr('href'),"\n"; # 含まれる要素の値を取り出す
}
# 結果は「http://www.hoge.jp/」

# -- タグの要素と値にフォーカスして処理 --
for my $tag ( $tree->look_down("class", "entry_body") ){
    print $tag->as_text,"\n";
}
# 要素 class に値 entry_body をもつものを取り出す
# 結果は「www.hoge.jp is fugafuga」

for my $tag ( $tree->look_down("class", qr/entry_/) ){
    print $tag->as_text,"\n";
}
# 値の指定には正規表現も使えます。
# 結果は「www.hoge.jp is fugafuga hogehoge-fugafuga-hogehoge-fugafuga」

for my $tag ( $tree->look_down("id", "link") ){
    print $tag->as_text,"\n";
}
# 要素 id で引っ張ってくる場合はこんな感じ。

# 処理が終わったら delete してメモリからツリーを消しましょう。
$tree = $tree->delete;

何で最後に delete しなきゃいけないかは「 HTML::Element のドキュメントを読んでね」ということなんだけど・・・よくわからいけど delete しておきましょう（ちゃんと読めよ！＞自分）。

その他、メソッドとかについても HTML::Element からたくさん継承してきてるので、そちらのドキュメントを読んでおくのは有意義そうです（上手くいかないときに、何かの手掛かりになるかも）。

慣れると JavaScript の getElementBy～みたいな感じで処理ができて、ホントに便利です。

参照リンク
　・Geekなぺーじ: HTML::TreeBuilderによるパース（リンクの取得）
　・hPod: use HTML::TreeBuilder
　・[ぴ]： HTML::TreeBuilder ｲｲ
　・perldoc超訳部：HTML::TreeBuilder
　・CPAN：HTML::Element

Verify your Comment

Previewing your Comment

Posted by: |

This is only a preview. Your comment has not yet been posted.

Your comment could not be posted. Error type:

Your comment has been posted. Post another comment

The letters and numbers you entered did not match the image. Please try again.

As a final step before posting your comment, enter the letters and numbers you see in the image below. This prevents automated programs from posting comments.

Having trouble reading this image? View an alternate.

プロフィール

まとめページ

ブログ内検索

Licenses

OTHER