Schalter für RegExpr

[Uwe Wanzleben]

Hallo,

ich habe mal eine Frage zu RegExpr.

Ich möchte gerne aus einem Quellcode URLs/Links filtern und diese ausgeben.

Dazu habe ich mir folgendes gebastelt:

sub xxx
{

my $inhalt = shift; #Quelltext
    $inhalt =~ s/\r/\s/gi;
    $inhalt =~ s/\n/\s/gi;

my $ParamValsearch = qq{
        '[^"]*" |               # a string in double quotes
        '[^']*' |               # a string in single quotes
        [^\s>]*                 # or anything terminated by ws or >
    };
    my $ParamValmatch = qq{
        "([^"]*)" |             # a string in double quotes
        '([^']*)' |             # a string in single quotes
        ([^\s>]*)               # or anything terminated by ws or >
    };

my $HREFsearch =qq{
        <a
        (?:\s+[-\w]+\s*=\s*(?:$ParamValsearch))*?       # any parameters
        (?:\s+href\s*=\s*(?:$ParamValmatch))           # href
    };
    my $IMGsearch =qq{
        <img
        (?:\s+[-\w]+\s*=\s*(?:$ParamValsearch))*?       # any parameters
        (?:\s+src\s*=\s*(?:$ParamValmatch))           # img src
    };

my $URLsearch = $HREFsearch."|".$IMGsearch;
    my(@links) = ($inhalt =~ /$URLsearch/sgix); # Version 1
    #my(@links) = ($inhalt =~ /$URLsearch/smgixoc); # Version 2
    return @links;
}

Nun, das funktioniert eigentlich Klasse!!!
Aber: Bei einer Datei, die sehr groß ist und teilweise lange Zeilen beinhaltet, kommt etwas zustande wie:

Link:  %22/grafik.gif

das %22 ist ein encodiertes '"', wie ich herausfand. Aber ich weiß nicht, warum er das zum URL hinzufügt. Schließlich soll das laut
$ParamValsearch/$ParamValmatch eine Grenze dazu sein.

Noch ein Hinweis:
Version 1 macht in der betreffenden Seite weniger solcher Fehler als Version 2 !!! Bei Version 2 treten zusätzlich abgeschnittene URLs auf.

Mache ich grundsätzlich etwas falsch bzw. welchen Schalter soll ich genau nehmen.

Danke!

Uwe

[Uwe]

Hi nochmal,

/mgix funktioniert jetzt!!!

Aber warum?

Uwe

[Uwe]

/mgix funktioniert jetzt!!!

leider doch nicht.

Uwe

[Struppi]

Hallo,

ich habe mal eine Frage zu RegExpr.

Ich möchte gerne aus einem Quellcode URLs/Links filtern und diese ausgeben.

Du suchst vermutlich das Modul HTML::Parser;

Struppi.

[Philipp Hasenfratz]

Halihallo Struppi und Uwe

ich habe mal eine Frage zu RegExpr.

Ich möchte gerne aus einem Quellcode URLs/Links filtern und diese ausgeben.

Du suchst vermutlich das Modul HTML::Parser;

oder HTML::LinkExtor; basiert auf HTML::Parser, ist für diese konkrete Aufgabenstellung
vielleicht einfacher zu verwenden.

Viele Grüsse

Philipp

[Uwe]

Halihallo Struppi und Uwe

ich habe mal eine Frage zu RegExpr.

Ich möchte gerne aus einem Quellcode URLs/Links filtern und diese ausgeben.

Du suchst vermutlich das Modul HTML::Parser;

oder HTML::LinkExtor; basiert auf HTML::Parser, ist für diese konkrete Aufgabenstellung
vielleicht einfacher zu verwenden.

Danke Euch, sehe ich mir mal an!

[Uwe]

Hi,

oder HTML::LinkExtor; basiert auf HTML::Parser, ist für diese konkrete Aufgabenstellung
vielleicht einfacher zu verwenden.

das funktioniert rel. gut. Relativ heißt, sowas:

<a href="b_extranet.html"  onmouseover="document.image3.src='images/a_extranet.gif'" onmouseout="document.image3.src='images/extranet.gif'">

kann der NICHT auflösen!
Ich würde hier erwarten:

Link: b_extranet.html

Schade!
Da funktioniert meine Version besser!

[Philipp Hasenfratz]

Halihallo Uwe

das funktioniert rel. gut. Relativ heißt, sowas:

<a href="b_extranet.html"  onmouseover="document.image3.src='images/a_extranet.gif'" onmouseout="document.image3.src='images/extranet.gif'">

kann der NICHT auflösen!
Ich würde hier erwarten:

Link: b_extranet.html

dann lass mal folgendes laufen:

<code>
use HTML::LinkExtor;

my $test = '<a href="b_extranet.html"  onmouseover="document.image3.src='images/a_extranet.gif'" onmouseout="document.image3.src='images/extranet.gif'">';

$p = HTML::LinkExtor->new(&cb);
sub cb {
   my($tag, %links) = @_;
   while ( my ($n,$v) = each %links ) {
      print 'Link: '.$v."\n";
   }
}
$p->parse($test);
</code>

also bei mir funktionierts ;)
oder was soll daran falsch sein?

Viele Grüsse

Philipp

[Uwe]

Halihallo Uwe

das funktioniert rel. gut. Relativ heißt, sowas:

<a href="b_extranet.html"  onmouseover="document.image3.src='images/a_extranet.gif'" onmouseout="document.image3.src='images/extranet.gif'">

kann der NICHT auflösen!
Ich würde hier erwarten:

Link: b_extranet.html

dann lass mal folgendes laufen:

<code>
use HTML::LinkExtor;

my $test = '<a href="b_extranet.html"  onmouseover="document.image3.src='images/a_extranet.gif'" onmouseout="document.image3.src='images/extranet.gif'">';

$p = HTML::LinkExtor->new(&cb);
sub cb {
   my($tag, %links) = @_;
   while ( my ($n,$v) = each %links ) {
      print 'Link: '.$v."\n";
   }
}
$p->parse($test);
</code>

also bei mir funktionierts ;)
oder was soll daran falsch sein?

Ich habe es ähnlich gemacht:

sub link_resolve
 {
  my $inhalt = shift;
  #$inhalt =~ s/\r/\s/gi;
  #$inhalt =~ s/\n/\s/gi;

my $p = HTML::LinkExtor->new(&callback);

# Set up a callback that collect image links
  my @links = ();
  sub callback {
     my($tag, %attr) = @_;
     push(@links, values %attr);
  }

$p->parse($inhalt);

return @links;
         }

Der Unterschied ist nur, daß ich den gesamten Code in $inhalt habe und die Links als Array @links speicher.
Bei mir löst er das mit LinkExtor nicht auf.
Meine RegExpr. dagegen schaffen es.

Uwe