使用perl html::Strip从html内容中删除html标记

Question

我正在尝试删除html内容的标签，而不更改其格式。我已经尝试了HTML:：Strip和HTML:：Restrict，但没有给出预期的输出。

我需要得到的输出

Heading
point 1
point 2

这是我的代码

use strict;
use warnings;
use HTML::Restrict;
use HTML::Strip;
my $hs = HTML::Strip->new();
my $hr = HTML::Restrict->new();
my $tree = '<div><span itemprop="description">Heading<ul><li>point 1</li><li>point 2</li></ul></span></div>';
my $processed = $hr->process($tree);
my $clean_text = $hs->parse($tree);
print "$clean_textnn";
print "$processednn";

但我得到的输出是

Heading point 1 point 2

请给我一些建议。

Answer 1

这并不能得到您想要的输出，但对于您想要的一般情况（html->text格式），您可以查看html:：FormatText。

C:UsersUser>perl -MHTML::TreeBuilder -MHTML::FormatText -E "
      my $html = '<div><span itemprop="description">Heading<ul><li>point 1</li><li>point 2</li></ul></span></div>'; 
      my $tree = HTML::TreeBuilder->new_from_content($html); 
      say $tree->format(HTML::FormatText->new);
"

输出：

Heading
     * point 1
     * point 2

Answer 2

好吧，HTML就是这么做的——格式化文本。一旦去掉了HTML标记，也就去掉了文本的格式。

这样想吧——现在，您对只保留格式中的换行符感兴趣。解析器应该如何知道如何在换行符中转换<ul><li>？

如果你想在未来保持文本的**bold**性质，该怎么办？

作为一种潜在的替代解决方案，请查看pandoc

或者，使用XML::DOM::Lite处理器解析HTML的DOM，并将单个HTML元素转换为等效的文本文件格式