とある技術屋の戯言

HTMLからデータを抜き出すのに、HTML::TreeBuilder(::XPath)を使って試してみた。

#準備
my $tree= HTML::TreeBuilder::XPath->new;
$tree->parse_file('file.html');

#階層付きのダンプ(後で使うアドレスも表示される)
$tree->dump;

#全部の<a>を抜き出す
for my $link ($tree->findnodes('//a')
{
    print $link->attr('href');
    print $link->as_text;
}

#アドレスを指定して要素を引っ張ってくる

print $tree->address('0.0.3.5.8.0.0.2')->as_text;

"リニューアル"と称してフォーマットが変わっても、dumpしてアドレス調べ直せばそれでおしまい。正規表現つかってparseするのは労力の無駄以外のなにものでもないですね