Perl을 사용하여 HTML 텍스트의 상대 링크에서 파일 확장명을 가져 오는 방법은 무엇입니까?

Question

예를 들어, Perl 정규 표현식으로 HTML 페이지의 내용을 스캔 할 때 도메인 확장자가 아닌 모든 파일 확장명과 일치 시키려고합니다. 이렇게하려면 모든 파일 확장명이 큰 따옴표 안에 있어야한다는 가정을합니다.

나는 다음과 같은 것을 생각해 냈지만 작동 중이지만 도메인에서 TLD를 제외하는 방법을 찾지 못했습니다. 이

m/"[^<>]+\.([0-9A-Za-z]*)"/g 

이 텍스트로 구분됩니다 따옴표 사이에 하나 개 이상의 기간이있을 경우 경기를 부정 할 수 있는가 등, "인터넷", "COM"를 반환합니다? (예 : foo.bar.com과 일치하지만 ./ 또는 ../이 아니어야 함)

편집 괄호 안에 값을 반환하려면 $1을 사용하고 있습니다.

Answer 1

#!/usr/bin/perl 

use strict; use warnings; 
use File::Basename; 
use HTML::TokeParser::Simple; 
use URI; 

my $parser = HTML::TokeParser::Simple->new(\*DATA); 

while (my $tag = $parser->get_tag('a')) { 
    my $uri = URI->new($tag->get_attr('href')); 
    my $ext = (fileparse $uri->path, qr/\.\w+\z/)[2]; 
    print "$ext\n"; 
} 

__DATA__ 
<p><a href="../test.png">link</a> <a 
href="http://www.example.com/test.jpg">link on example.com</a> 
</p> 

Answer 2

우선, 원하는 HTML 파서로 이름을 추출하십시오. 이 같은 생산 것처럼 그런 다음, 이름이 포함 된 배열과 같은이 있어야합니다

my @names = ("http://foo.bar.net/quux", 
      "boink.bak", 
      "mms://three.two.one" 
      "hello.jpeg"); 

파일 확장자에서 도메인 이름을 구별 할 수있는 유일한 방법은 "파일 이름"에 그 것 같다 적어도 하나가 :// 부분과 확장자 사이를 더 자세히 슬래시하십시오. 또한 파일 확장명은 문자열의 마지막 항목 일 수 있습니다.

그래서, 일반 식 (안된)이 같은 것입니다 :

^(?:(?:\w+://)?(?:\w+\.)+\w+/)?.*\.(\w+)$

Answer 3

#!/usr/bin/perl -w 

use strict; 

while (<>) { 
    if (m/(?<=(?:ref=|src=|rel=))"([^<>"]+?\.([0-9A-Za-z]+?))"/g) { 
     if ($1 !~ /:\/\//) { 
      print $2 . "\n"; 
     } 
    } 
} 

'링크'속성 중 하나 뒤에 쌍 따옴표 사이에있는 물건을 얻기 위해 긍정적 인 lookbehind를 사용 (SCR = rel =, href =). URL을 인식하기 위해 ": //"을보고 절대 경로가있는 파일을 허용하도록 수정되었습니다.

@Structure : 프로토콜 부분을 떠나는 사람을 막는 적절한 방법은 합법적 인 경로 이름 인 http://www.noo.com/afile.cfg -> www.noo.com/afile.cfg입니다. 실제로 링크되어 있는지 확인하기 위해 링크를 모두 wget (또는 무언가)해야합니다. 그리고 그것은 완전히 다른 질문입니다 ...

예, 나는 적절한 파서를 사용한다 알고 있지만, 바로 지금 같은 느낌이 있지 않다 : P