Perl-从文本文件中删除CSS(和其他不需要的字符)

Question

我正在使用以下代码从目录中的txt文件中剥离html元素：

use strict;
use warnings;
use File::Spec;
use HTML::FormatText;
 use Cwd;
my $direct = "/directory/";
opendir my $dh, $direct or die "Can't open directory";
while ( readdir $dh ) {
  next if /^./;
  my $file = File::Spec->catfile($direct, $_);
  print $file."n";
  my $outfile = File::Spec->catfile($direct, "out_$_");
  next unless -f $file;
  my $html = do {
    open my $fh, '<', $file or die qq(Unable to open "$file" for reading: $!);
    local $/;
    <$fh>;
  };
  next unless $html =~ /<html/i;
  my $formatted = HTML::FormatText->format_string(
      $html, leftmargin => 0, rightmargin => 60);
  open my $fh, '>', $outfile or die qq(Unable to open "$outfile" for writing: $!);
  print $fh "File: $filenn";
  print $fh "$formattedn";
  print $fh "*" x 40, "n" ;
  close $fh or die qq(Unable to close "$outfile" after writing: $!);
   unlink $file or warn "Could not unlink $file: $!";
}

但在结果输出中似乎留下了许多不需要的字符：

<div style="text-align:center;"><font style="font-family:Times New Roman;font-size:11pt;font-weight:bold;margin-left:0px;">TEXT TEXT TEXT TEXT</font></div><div style="text-align:center;"><font style="font-family:Times New Roman;font-size:11pt;font-weight:bold;margin-left:0px;">TEXT TEXT TEXT TEXT</font></div><div style="text-align:center;"> </div><p style='margin-top:0pt; margin-bottom:0pt'><font style="font-family:Times New Roman;font-size:11pt;font-weight:bold;margin-left:0px;">1</font><font style="font-family:Times New Roman;font-size:11pt;font-weight:bold;">.  </font><font style="font-family:Times New Roman;font-size:11pt;font-weight:bold;text-decoration:underline;">ORGANIZATION </font><font style="font-family:Times New Roman;font-size:11pt;font-weight:bold;text-decoration:underline;">AND</font><font style="font-family:Times New Roman;font-size:11pt;font-weight:bold;text-decoration:underline;"> SUMMARY OF </font><font style="font-family:Times New Roman;font-size:11pt;font-weight:bold;text-decoration:underline;">SIGNIFICANT ACCOUNTING </font><font style="font-family:Times New Roman;font-size:11pt;font-weight:bold;text-

知道如何摆脱这些HTML/CSS吗？（但请保留这些标签中的文本）！

Answer 1

HTML:：Parser发行版包含一个从HTML文件中提取纯文本的示例程序。

#!/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";

Answer 2

如果安装了Mojolicious，则类似于：

perl -MMojo::DOM -0 -e 'print my $dom = Mojo::DOM->new(<>)->all_text()' file.html

可能会起作用：-）

解释者：Mojo::DOM->new(<>)->all_text()应该是不言自明的；-）。。。CCD_ 3只是从CCD_ 4上提供的内容中生成一个DOM对象，而CCD_ 5在该对象上运行CCD_ 6方法。

关于-0开关，请参见perlun。本质上，它是为了诋毁文件，使<>包含整个内容（嗯……有人会在评论中纠正我）。你可以用Mojo::DOM制作一个真正的脚本，更像Dave的答案，而不是像我的例子中那样只是一句俏皮话。