求抽取新浪博客网页文章内容

[辉歌]

3.博文能提出来吗？如这篇文章:
http://blog.sina.com.cn/s/blog_486e105c010095ej.html

如果帮忙抽出博文的话，想要抽出标题： 该强不强小心陷阱终被验证，时间，2008-05-07 15:06:22，分类：时政经济（缠中说禅经济学），标签：股票
和博文正文。
正文如果能有图片就更好了。

另外，前一帖子中，如果要抽出link的话，数据又不全了。

[辉歌]

to iambic：
类似 这句，$c =~ s!<img\s[^<>]*/>!!g;其中的 s!是什么意思啊？我找了很多书籍，没有发现对这个的解释。
s应该是替换啊，替换应该是 s/p/t/ 的形式的。

[iambic]

替换。
s///g
s!!!g
s###g
s{}{}g
都是一样的。
看《Learning Perl》就会有介绍。

[辉歌]

[Quote=引用 2 楼 iambic 的回复:]
替换。
s///g
s!!!g
s###g
s{}{}g
都是一样的。
看《Learning Perl》就会有介绍。
[/Quote]

这样似乎不太利于程序员间的交流。我下载的很多书籍，还没有介绍这样的写法，脱离大众理解程度了。

今天在下班回家的时候，突然也想到了，可能！就是/，因为！的个数刚好和/一样，并且格式一样。没想到还真是这么样的。

[iambic]

>这样似乎不太利于程序员间的交流。我下载的很多书籍，还没有介绍这样的写法，脱离大众理解程度了。
一、如果你想学习Perl，请花三天时间把《Learning Perl》从头到尾读一遍。不要跳过任何内容。
二、如果你有UNIX经验，就会知道这种换分隔符的写法是很常见的。
另外我不知道你都下载了什么书。对我来说，《Learning Perl》、《Programming Perl》、《Perl Cookbook》和perldoc是第一手的材料。

[iambic]

原来的代码确实有问题……又改了下：

use strict;
use LWP::Simple;

my $c = get('http://blog.sina.com.cn/s/comment_486e105c010095ej_2.html');
$c =~ s!<img\s[^<>]*/>!!g;
$c =~ s!<div class="photo">.*?</div>!!g;

while ( $c =~ m!<div class="userInfo[^<>]*>\s*(<a\s[^<>]+>)?([^<>]+?)(?:</a>)?\s*</div>\s*<div[^<>]*>\s*<div>([^<>]*?)</div>\s*<span[^<>]*>\(([^<>]*)\)</span>!g) {
    my $user = $2;
    my $message = $3;
    my $time = $4;
    my $link = $1;
    $link = $1 if $link =~ /href="([^"]*)"/;
    print "$user\n$link\n$time\n$message\n\n";
} 

[iambic]

提取正文的代码：

use strict;
use LWP::Simple;

my $c = get('http://blog.sina.com.cn/s/blog_486e105c010095ej.html');

my ($title, $date, $tag, $category, $body);
if ($c =~ m!<div class="articleTitle">.*?</div>!s) {
    ($title, $date) = parseTitleDate($&);
}
if ($c =~ m!<div class="articleTag">.*?</div>!s) {
    ($tag, $category) = parseTagCategory($&);
}
if ($c =~ m!<div id="articleBody".*?</div>!s) {
    $body = parseBody($&);
}

print "$title\n$date\n$tag\n$category\n";
print "$body\n";

sub parseTitleDate {
    my $c = shift;
    my $title = $1 if $c =~ m!>([^<>]*)</b>!;
    my $date = $1 if $c =~ m!>\(([^<>]*)\)</span>!;
    return ($title, $date);
}

sub parseTagCategory {
    my $c = shift;
    my $tag = $1 if $c =~ /\$tag='([^']*)'/;
    my $category = $1 if $c =~ m!<td[^<>]*>[^<>]*(.*)</td>!;
    $category =~ s/<[^<>]*>//g;
    return $tag, $category;
}

sub parseBody {
    my $c = shift;
    $c =~ s/<(\S+)\s[^<>]*>/<\1>/g;
    $c =~ s/\s//g;
    $c =~ s!<p>(.*?)</p>!\1\n!gi;
    $c =~ s!<br/?>!\n!gi;
    $c =~ s/<[^<>]*>//g;
    $c =~ s/ / /g;
    return $c;
}

其实用正则表达式做已经比较勉强了。最好考虑用HTML库。

[辉歌]

谢谢大哥。速度真快。
唉，新浪的留言格式居然又变了，真不是办法。谢谢大哥的耐心指点，我得自己学习走路了，不能老依靠别人。