如何将多个HMTL文件中的内容合并到一个文件中

我有100多个具有以下结构的html文件。

<html>
<head>
<body>
<TABLE>
...
</TABLE>
<TABLE>
<TR>
<td rowspan=2><img src="http://www.example.com" width=10></td>
<TD width=609 valign=top>
<!-- Content of file1 -->
<p>abc</p>
...
...
...
<p>xyz</p>
</TD>
</TR>
<TR>
<TD align="center" ...alt="top"></a></TD>
</TR>
</TABLE>        
</body>
</html>

我想将每个文件的第二个表(TABLE[2]ROW[1]COLUMN[2](第1行第2列中的内容合并到一个HTML中，以获得类似的输出

<html>
<head>
<body>
<!-- Content of file1 -->
<p>abc</p>
...
...
...
<p>xyz</p>
<!-- Content of file2 -->
<p>some text</p>
...
...
...
<p>some text</p>
..
..
..
<!-- Content of fileN -->
<p>some text</p>
...
...
...
<p>some text</p>
</body>
</html>

我是perl的新手，我请求一些帮助来指导我如何做到这一点。提前谢谢。

下面开始为文件1写一篇文章，但我不确定我的做法是否正确。

use HTML::TableExtract;
open (my $html,"<","file1.html");
my $table = HTML::TableExtract->new(keep_html=>0, depth => 1, count => 2, br_translate => 0 );
$table->parse($html);
foreach my $row ($table->rows) {
print join("t", @$row), "n";
}

文档HTML:：TableExtract声明深度、计数、行、列从0开始。

下面的代码是代码的骨架，假设所有html文件都将存储在一个目录中。

在glob的帮助下，我们获得了html文件的名称。

然后我们编写子程序extract_table_cell，通过参数depth,count,row,col来提取位于该位置的数据。

现在，对于每个文件名，我们调用extract_table_cell子例程，并将返回数据存储在数组@data中。

我们还编写了子程序gen_html，它引用@data数组并返回表示这些数据的html代码。

在这一点上，我们用子程序gen_html调用say作为输出结果的参数。

注意：您将需要更改子程序extract_table_cell以实现所需的单元格数据格式

use strict;
use warnings;
use feature 'say';
use HTML::TableExtract;
my($depth,$table,$row,$col) = (0,1,0,1);
my @data;
for (glob("*.html")) {
push @data, extract_table_cell($_,$depth,$table,$row,$col);
}
say gen_html(@data);
sub gen_html {
my $data = shift;
my($html,$block);
for ( @{$data} ) {
$block .= "tt$_n";
}
$html =
"
<html>
<head>
</head>
<body>
$block
</body>
</html>
";
return $html;
}
sub extract_table_cell {
my($file,$depth,$count,$row,$col) = @_;
my $te = HTML::TableExtract->new( depth => $depth, count => $count );
$te->parse_file($file);
my $table = $te->first_table_found;
return ${ $table->{grid}[$row][$col] };
}

输出

<html>
<head>
</head>
<body>
B 1.2
D 1.2
</body>
</html>

测试数据文件：

表_1.html

<html>
<head>
</head>
<body>
<table>
<tr><td>A 1.1</td><td>A 1.2</td><td>A 1.3</td></tr>
<tr><td>A 2.1</td><td>A 2.2</td><td>A 2.3</td></tr>
<tr><td>A 3.1</td><td>A 3.2</td><td>A 3.3</td></tr>
<tr><td>A 4.1</td><td>A 4.2</td><td>A 4.3</td></tr>
</table>
<table>
<tr><td>B 1.1</td><td>B 1.2</td><td>B 1.3</td></tr>
<tr><td>B 2.1</td><td>B 2.2</td><td>B 2.3</td></tr>
<tr><td>B 3.1</td><td>B 3.2</td><td>B 3.3</td></tr>
<tr><td>B 4.1</td><td>B 4.2</td><td>B 4.3</td></tr>
</table>
</body>
</html>

表2.html

<html>
<head>
</head>
<body>
<table>
<tr><td>C 1.1</td><td>C 1.2</td><td>C 1.3</td></tr>
<tr><td>C 2.1</td><td>C 2.2</td><td>C 2.3</td></tr>
<tr><td>C 3.1</td><td>C 3.2</td><td>C 3.3</td></tr>
<tr><td>C 4.1</td><td>C 4.2</td><td>C 4.3</td></tr>
</table>
<table>
<tr><td>D 1.1</td><td>D 1.2</td><td>D 1.3</td></tr>
<tr><td>D 2.1</td><td>D 2.2</td><td>D 2.3</td></tr>
<tr><td>D 3.1</td><td>D 3.2</td><td>D 3.3</td></tr>
<tr><td>D 4.1</td><td>D 4.2</td><td>D 4.3</td></tr>
</table>
</body>
</html>

北极熊的答案可能是最好的。我只想添加一个不同的想法，即在不使用HTML:：TableExtract的情况下获得TABLE[2]ROW[1]COLUMN[2]。你说你是perl的新手，所以我认为这个想法对你来说会很有趣。这个想法是使用regex。例如：

$/ = "</html>";
my $table2, $row1, $col2;
while(<STDIN>){
/</table>s*<table>([^00]*?)</table>/i;
$table2 = $1;
$table2 =~ /<tr>([^00]*?)</tr>/i;
$row1 = $1;
$row1 =~ /</td>s*<td>([^00]*?)</td>/i;
$col2 = $1;
}
print $col2;

此代码将始终获得TABLE[2]ROW[1]COLUMN[2]。

样本输入：

<html>
<table>
</table>
<table>
<tr>
<td>
hello world
</td>
<td>
corona 
</td>
</tr>
<tr>
</tr>
</table>
</html>

输出：

corona

相关内容

最新更新

热门标签：