使用Html::TreeBuilder::XPath打印表格内容

Question

我希望从一个HTML文件中提取所有的表格，并按照以下方式打印它们的内容：每个单元格由\t分隔，每一行由\n分隔，每个表格由\n\n分隔。以下是我的脚本，当我把它改成在tr上查找值时，整个tr被插入为一个元素，我甚至尝试了其他方法，比如findnodes_as_strings ($path)。我想修改它以符合上述结构。

use strict;
use warnings;
use HTML::TreeBuilder::XPath;

my $tree= HTML::TreeBuilder::XPath->new;
$tree->parse_file( "html.html");

my @values=$tree->findvalues(q{//table//tr//td});

print $_, "\n" foreach(@values);

- Nishanth Lawrence Reginold

---

你不使用 HTML::TableExtract，有什么原因吗？ - Sinan Ünür

Answer 1

您需要分别处理每个表格，行同理：

foreach my $table ( $tree->findnodes('//table') ) {

    foreach my $row ( $table->findnodes('.//tr') ) {

        my @cells = $row->findvalues('.//td');
        print join("\t", @cells), "\n";
    }
    print "\n";
}

当然，这只是针对简单表格的解决方案（考虑列合并、th、嵌套表格等）。

- gangabass

---

非常感谢，这正是我所期望的。 - Nishanth Lawrence Reginold