home *** CD-ROM | disk | FTP | other *** search
/ Personal Computer World 2009 February / PCWFEB09.iso / Software / Linux / Kubuntu 8.10 / kubuntu-8.10-desktop-i386.iso / casper / filesystem.squashfs / usr / lib / perl5 / HTML / Parser.pm < prev    next >
Text File  |  2008-06-14  |  40KB  |  1,235 lines

  1. package HTML::Parser;
  2.  
  3. # Copyright 1996-2007, Gisle Aas.
  4. # Copyright 1999-2000, Michael A. Chase.
  5. #
  6. # This library is free software; you can redistribute it and/or
  7. # modify it under the same terms as Perl itself.
  8.  
  9. use strict;
  10. use vars qw($VERSION @ISA);
  11.  
  12. $VERSION = '3.56';  # $Date: 2007/01/12 09:18:31 $
  13.  
  14. require HTML::Entities;
  15.  
  16. require XSLoader;
  17. XSLoader::load('HTML::Parser', $VERSION);
  18.  
  19. sub new
  20. {
  21.     my $class = shift;
  22.     my $self = bless {}, $class;
  23.     return $self->init(@_);
  24. }
  25.  
  26.  
  27. sub init
  28. {
  29.     my $self = shift;
  30.     $self->_alloc_pstate;
  31.  
  32.     my %arg = @_;
  33.     my $api_version = delete $arg{api_version} || (@_ ? 3 : 2);
  34.     if ($api_version >= 4) {
  35.     require Carp;
  36.     Carp::croak("API version $api_version not supported " .
  37.             "by HTML::Parser $VERSION");
  38.     }
  39.  
  40.     if ($api_version < 3) {
  41.     # Set up method callbacks compatible with HTML-Parser-2.xx
  42.     $self->handler(text    => "text",    "self,text,is_cdata");
  43.     $self->handler(end     => "end",     "self,tagname,text");
  44.     $self->handler(process => "process", "self,token0,text");
  45.     $self->handler(start   => "start",
  46.                           "self,tagname,attr,attrseq,text");
  47.  
  48.     $self->handler(comment =>
  49.                sub {
  50.                my($self, $tokens) = @_;
  51.                for (@$tokens) {
  52.                    $self->comment($_);
  53.                }
  54.                }, "self,tokens");
  55.  
  56.     $self->handler(declaration =>
  57.                sub {
  58.                my $self = shift;
  59.                $self->declaration(substr($_[0], 2, -1));
  60.                }, "self,text");
  61.     }
  62.  
  63.     if (my $h = delete $arg{handlers}) {
  64.     $h = {@$h} if ref($h) eq "ARRAY";
  65.     while (my($event, $cb) = each %$h) {
  66.         $self->handler($event => @$cb);
  67.     }
  68.     }
  69.  
  70.     # In the end we try to assume plain attribute or handler
  71.     while (my($option, $val) = each %arg) {
  72.     if ($option =~ /^(\w+)_h$/) {
  73.         $self->handler($1 => @$val);
  74.     }
  75.         elsif ($option =~ /^(text|start|end|process|declaration|comment)$/) {
  76.         require Carp;
  77.         Carp::croak("Bad constructor option '$option'");
  78.         }
  79.     else {
  80.         $self->$option($val);
  81.     }
  82.     }
  83.  
  84.     return $self;
  85. }
  86.  
  87.  
  88. sub parse_file
  89. {
  90.     my($self, $file) = @_;
  91.     my $opened;
  92.     if (!ref($file) && ref(\$file) ne "GLOB") {
  93.         # Assume $file is a filename
  94.         local(*F);
  95.         open(F, $file) || return undef;
  96.     binmode(F);  # should we? good for byte counts
  97.         $opened++;
  98.         $file = *F;
  99.     }
  100.     my $chunk = '';
  101.     while (read($file, $chunk, 512)) {
  102.     $self->parse($chunk) || last;
  103.     }
  104.     close($file) if $opened;
  105.     $self->eof;
  106. }
  107.  
  108.  
  109. sub netscape_buggy_comment  # legacy
  110. {
  111.     my $self = shift;
  112.     require Carp;
  113.     Carp::carp("netscape_buggy_comment() is deprecated.  " .
  114.            "Please use the strict_comment() method instead");
  115.     my $old = !$self->strict_comment;
  116.     $self->strict_comment(!shift) if @_;
  117.     return $old;
  118. }
  119.  
  120. # set up method stubs
  121. sub text { }
  122. *start       = \&text;
  123. *end         = \&text;
  124. *comment     = \&text;
  125. *declaration = \&text;
  126. *process     = \&text;
  127.  
  128. 1;
  129.  
  130. __END__
  131.  
  132.  
  133. =head1 NAME
  134.  
  135. HTML::Parser - HTML parser class
  136.  
  137. =head1 SYNOPSIS
  138.  
  139.  use HTML::Parser ();
  140.  
  141.  # Create parser object
  142.  $p = HTML::Parser->new( api_version => 3,
  143.                          start_h => [\&start, "tagname, attr"],
  144.                          end_h   => [\&end,   "tagname"],
  145.                          marked_sections => 1,
  146.                        );
  147.  
  148.  # Parse document text chunk by chunk
  149.  $p->parse($chunk1);
  150.  $p->parse($chunk2);
  151.  #...
  152.  $p->eof;                 # signal end of document
  153.  
  154.  # Parse directly from file
  155.  $p->parse_file("foo.html");
  156.  # or
  157.  open(my $fh, "<:utf8", "foo.html") || die;
  158.  $p->parse_file($fh);
  159.  
  160. =head1 DESCRIPTION
  161.  
  162. Objects of the C<HTML::Parser> class will recognize markup and
  163. separate it from plain text (alias data content) in HTML
  164. documents.  As different kinds of markup and text are recognized, the
  165. corresponding event handlers are invoked.
  166.  
  167. C<HTML::Parser> is not a generic SGML parser.  We have tried to
  168. make it able to deal with the HTML that is actually "out there", and
  169. it normally parses as closely as possible to the way the popular web
  170. browsers do it instead of strictly following one of the many HTML
  171. specifications from W3C.  Where there is disagreement, there is often
  172. an option that you can enable to get the official behaviour.
  173.  
  174. The document to be parsed may be supplied in arbitrary chunks.  This
  175. makes on-the-fly parsing as documents are received from the network
  176. possible.
  177.  
  178. If event driven parsing does not feel right for your application, you
  179. might want to use C<HTML::PullParser>.  This is an C<HTML::Parser>
  180. subclass that allows a more conventional program structure.
  181.  
  182.  
  183. =head1 METHODS
  184.  
  185. The following method is used to construct a new C<HTML::Parser> object:
  186.  
  187. =over
  188.  
  189. =item $p = HTML::Parser->new( %options_and_handlers )
  190.  
  191. This class method creates a new C<HTML::Parser> object and
  192. returns it.  Key/value argument pairs may be provided to assign event
  193. handlers or initialize parser options.  The handlers and parser
  194. options can also be set or modified later by the method calls described below.
  195.  
  196. If a top level key is in the form "<event>_h" (e.g., "text_h") then it
  197. assigns a handler to that event, otherwise it initializes a parser
  198. option. The event handler specification value must be an array
  199. reference.  Multiple handlers may also be assigned with the 'handlers
  200. => [%handlers]' option.  See examples below.
  201.  
  202. If new() is called without any arguments, it will create a parser that
  203. uses callback methods compatible with version 2 of C<HTML::Parser>.
  204. See the section on "version 2 compatibility" below for details.
  205.  
  206. The special constructor option 'api_version => 2' can be used to
  207. initialize version 2 callbacks while still setting other options and
  208. handlers.  The 'api_version => 3' option can be used if you don't want
  209. to set any options and don't want to fall back to v2 compatible
  210. mode.
  211.  
  212. Examples:
  213.  
  214.  $p = HTML::Parser->new(api_version => 3,
  215.                         text_h => [ sub {...}, "dtext" ]);
  216.  
  217. This creates a new parser object with a text event handler subroutine
  218. that receives the original text with general entities decoded.
  219.  
  220.  $p = HTML::Parser->new(api_version => 3,
  221.             start_h => [ 'my_start', "self,tokens" ]);
  222.  
  223. This creates a new parser object with a start event handler method
  224. that receives the $p and the tokens array.
  225.  
  226.  $p = HTML::Parser->new(api_version => 3,
  227.                 handlers => { text => [\@array, "event,text"],
  228.                                       comment => [\@array, "event,text"],
  229.                                     });
  230.  
  231. This creates a new parser object that stores the event type and the
  232. original text in @array for text and comment events.
  233.  
  234. =back
  235.  
  236. The following methods feed the HTML document
  237. to the C<HTML::Parser> object:
  238.  
  239. =over
  240.  
  241. =item $p->parse( $string )
  242.  
  243. Parse $string as the next chunk of the HTML document.  The return
  244. value is normally a reference to the parser object (i.e. $p).
  245. Handlers invoked should not attempt to modify the $string in-place until
  246. $p->parse returns.
  247.  
  248. If an invoked event handler aborts parsing by calling $p->eof, then
  249. $p->parse() will return a FALSE value.
  250.  
  251. =item $p->parse( $code_ref )
  252.  
  253. If a code reference is passed as the argument to be parsed, then the
  254. chunks to be parsed are obtained by invoking this function repeatedly.
  255. Parsing continues until the function returns an empty (or undefined)
  256. result.  When this happens $p->eof is automatically signaled.
  257.  
  258. Parsing will also abort if one of the event handlers calls $p->eof.
  259.  
  260. The effect of this is the same as:
  261.  
  262.  while (1) {
  263.     my $chunk = &$code_ref();
  264.     if (!defined($chunk) || !length($chunk)) {
  265.         $p->eof;
  266.         return $p;
  267.     }
  268.     $p->parse($chunk) || return undef;
  269.  }
  270.  
  271. But it is more efficient as this loop runs internally in XS code.
  272.  
  273. =item $p->parse_file( $file )
  274.  
  275. Parse text directly from a file.  The $file argument can be a
  276. filename, an open file handle, or a reference to an open file
  277. handle.
  278.  
  279. If $file contains a filename and the file can't be opened, then the
  280. method returns an undefined value and $! tells why it failed.
  281. Otherwise the return value is a reference to the parser object.
  282.  
  283. If a file handle is passed as the $file argument, then the file will
  284. normally be read until EOF, but not closed.
  285.  
  286. If an invoked event handler aborts parsing by calling $p->eof,
  287. then $p->parse_file() may not have read the entire file.
  288.  
  289. On systems with multi-byte line terminators, the values passed for the
  290. offset and length argspecs may be too low if parse_file() is called on
  291. a file handle that is not in binary mode.
  292.  
  293. If a filename is passed in, then parse_file() will open the file in
  294. binary mode.
  295.  
  296. =item $p->eof
  297.  
  298. Signals the end of the HTML document.  Calling the $p->eof method
  299. outside a handler callback will flush any remaining buffered text
  300. (which triggers the C<text> event if there is any remaining text).
  301.  
  302. Calling $p->eof inside a handler will terminate parsing at that point
  303. and cause $p->parse to return a FALSE value.  This also terminates
  304. parsing by $p->parse_file().
  305.  
  306. After $p->eof has been called, the parse() and parse_file() methods
  307. can be invoked to feed new documents with the parser object.
  308.  
  309. The return value from eof() is a reference to the parser object.
  310.  
  311. =back
  312.  
  313.  
  314. Most parser options are controlled by boolean attributes.
  315. Each boolean attribute is enabled by calling the corresponding method
  316. with a TRUE argument and disabled with a FALSE argument.  The
  317. attribute value is left unchanged if no argument is given.  The return
  318. value from each method is the old attribute value.
  319.  
  320. Methods that can be used to get and/or set parser options are:
  321.  
  322. =over
  323.  
  324. =item $p->attr_encoded
  325.  
  326. =item $p->attr_encoded( $bool )
  327.  
  328. By default, the C<attr> and C<@attr> argspecs will have general
  329. entities for attribute values decoded.  Enabling this attribute leaves
  330. entities alone.
  331.  
  332. =item $p->boolean_attribute_value( $val )
  333.  
  334. This method sets the value reported for boolean attributes inside HTML
  335. start tags.  By default, the name of the attribute is also used as its
  336. value.  This affects the values reported for C<tokens> and C<attr>
  337. argspecs.
  338.  
  339. =item $p->case_sensitive
  340.  
  341. =item $p->case_sensitive( $bool )
  342.  
  343. By default, tagnames and attribute names are down-cased.  Enabling this
  344. attribute leaves them as found in the HTML source document.
  345.  
  346. =item $p->closing_plaintext
  347.  
  348. =item $p->closing_plaintext( $bool )
  349.  
  350. By default, "plaintext" element can never be closed. Everything up to
  351. the end of the document is parsed in CDATA mode.  This historical
  352. behaviour is what at least MSIE does.  Enabling this attribute makes
  353. closing "</plaintext>" tag effective and the parsing process will resume
  354. after seeing this tag.  This emulates gecko-based browsers.
  355.  
  356. =item $p->empty_element_tags
  357.  
  358. =item $p->empty_element_tags( $bool )
  359.  
  360. By default, empty element tags are not recognized as such and the "/"
  361. before ">" is just treated like a normal name character (unless
  362. C<strict_names> is enabled).  Enabling this attribute make
  363. C<HTML::Parser> recognize these tags.
  364.  
  365. Empty element tags look like start tags, but end with the character
  366. sequence "/>" instead of ">".  When recognized by C<HTML::Parser> they
  367. cause an artificial end event in addition to the start event.  The
  368. C<text> for the artificial end event will be empty and the C<tokenpos>
  369. array will be undefined even though the the token array will have one
  370. element containing the tag name.
  371.  
  372. =item $p->marked_sections
  373.  
  374. =item $p->marked_sections( $bool )
  375.  
  376. By default, section markings like <![CDATA[...]]> are treated like
  377. ordinary text.  When this attribute is enabled section markings are
  378. honoured.
  379.  
  380. There are currently no events associated with the marked section
  381. markup, but the text can be returned as C<skipped_text>.
  382.  
  383. =item $p->strict_comment
  384.  
  385. =item $p->strict_comment( $bool )
  386.  
  387. By default, comments are terminated by the first occurrence of "-->".
  388. This is the behaviour of most popular browsers (like Mozilla, Opera and
  389. MSIE), but it is not correct according to the official HTML
  390. standard.  Officially, you need an even number of "--" tokens before
  391. the closing ">" is recognized and there may not be anything but
  392. whitespace between an even and an odd "--".
  393.  
  394. The official behaviour is enabled by enabling this attribute.
  395.  
  396. Enabling of 'strict_comment' also disables recognizing these forms as
  397. comments:
  398.  
  399.   </ comment>
  400.   <! comment>
  401.  
  402.  
  403. =item $p->strict_end
  404.  
  405. =item $p->strict_end( $bool )
  406.  
  407. By default, attributes and other junk are allowed to be present on end tags in a
  408. manner that emulates MSIE's behaviour.
  409.  
  410. The official behaviour is enabled with this attribute.  If enabled,
  411. only whitespace is allowed between the tagname and the final ">".
  412.  
  413. =item $p->strict_names
  414.  
  415. =item $p->strict_names( $bool )
  416.  
  417. By default, almost anything is allowed in tag and attribute names.
  418. This is the behaviour of most popular browsers and allows us to parse
  419. some broken tags with invalid attribute values like:
  420.  
  421.    <IMG SRC=newprevlstGr.gif ALT=[PREV LIST] BORDER=0>
  422.  
  423. By default, "LIST]" is parsed as a boolean attribute, not as
  424. part of the ALT value as was clearly intended.  This is also what
  425. Mozilla sees.
  426.  
  427. The official behaviour is enabled by enabling this attribute.  If
  428. enabled, it will cause the tag above to be reported as text
  429. since "LIST]" is not a legal attribute name.
  430.  
  431. =item $p->unbroken_text
  432.  
  433. =item $p->unbroken_text( $bool )
  434.  
  435. By default, blocks of text are given to the text handler as soon as
  436. possible (but the parser takes care always to break text at a
  437. boundary between whitespace and non-whitespace so single words and
  438. entities can always be decoded safely).  This might create breaks that
  439. make it hard to do transformations on the text. When this attribute is
  440. enabled, blocks of text are always reported in one piece.  This will
  441. delay the text event until the following (non-text) event has been
  442. recognized by the parser.
  443.  
  444. Note that the C<offset> argspec will give you the offset of the first
  445. segment of text and C<length> is the combined length of the segments.
  446. Since there might be ignored tags in between, these numbers can't be
  447. used to directly index in the original document file.
  448.  
  449. =item $p->utf8_mode
  450.  
  451. =item $p->utf8_mode( $bool )
  452.  
  453. Enable this option when parsing raw undecoded UTF-8.  This tells the
  454. parser that the entities expanded for strings reported by C<attr>,
  455. C<@attr> and C<dtext> should be expanded as decoded UTF-8 so they end
  456. up compatible with the surrounding text.
  457.  
  458. If C<utf8_mode> is enabled then it is an error to pass strings
  459. containing characters with code above 255 to the parse() method, and
  460. the parse() method will croak if you try.
  461.  
  462. Example: The Unicode character "\x{2665}" is "\xE2\x99\xA5" when UTF-8
  463. encoded.  The character can also be represented by the entity
  464. "♥" or "♥".  If we feed the parser:
  465.  
  466.   $p->parse("\xE2\x99\xA5♥");
  467.  
  468. then C<dtext> will be reported as "\xE2\x99\xA5\x{2665}" without
  469. C<utf8_mode> enabled, but as "\xE2\x99\xA5\xE2\x99\xA5" when enabled.
  470. The later string is what you want.
  471.  
  472. This option is only available with perl-5.8 or better.
  473.  
  474. =item $p->xml_mode
  475.  
  476. =item $p->xml_mode( $bool )
  477.  
  478. Enabling this attribute changes the parser to allow some XML
  479. constructs.  This enables the behaviour controlled by individually by
  480. the C<case_sensitive>, C<empty_element_tags>, C<strict_names> and
  481. C<xml_pic> attributes and also suppresses special treatment of
  482. elements that are parsed as CDATA for HTML.
  483.  
  484. =item $p->xml_pic
  485.  
  486. =item $p->xml_pic( $bool )
  487.  
  488. By default, I<processing instructions> are terminated by ">". When
  489. this attribute is enabled, processing instructions are terminated by
  490. "?>" instead.
  491.  
  492. =back
  493.  
  494. As markup and text is recognized, handlers are invoked.  The following
  495. method is used to set up handlers for different events:
  496.  
  497. =over
  498.  
  499. =item $p->handler( event => \&subroutine, $argspec )
  500.  
  501. =item $p->handler( event => $method_name, $argspec )
  502.  
  503. =item $p->handler( event => \@accum, $argspec )
  504.  
  505. =item $p->handler( event => "" );
  506.  
  507. =item $p->handler( event => undef );
  508.  
  509. =item $p->handler( event );
  510.  
  511. This method assigns a subroutine, method, or array to handle an event.
  512.  
  513. Event is one of C<text>, C<start>, C<end>, C<declaration>, C<comment>,
  514. C<process>, C<start_document>, C<end_document> or C<default>.
  515.  
  516. The C<\&subroutine> is a reference to a subroutine which is called to handle
  517. the event.
  518.  
  519. The C<$method_name> is the name of a method of $p which is called to handle
  520. the event.
  521.  
  522. The C<@accum> is an array that will hold the event information as
  523. sub-arrays.
  524.  
  525. If the second argument is "", the event is ignored.
  526. If it is undef, the default handler is invoked for the event.
  527.  
  528. The C<$argspec> is a string that describes the information to be reported
  529. for the event.  Any requested information that does not apply to a
  530. specific event is passed as C<undef>.  If argspec is omitted, then it
  531. is left unchanged.
  532.  
  533. The return value from $p->handler is the old callback routine or a
  534. reference to the accumulator array.
  535.  
  536. Any return values from handler callback routines/methods are always
  537. ignored.  A handler callback can request parsing to be aborted by
  538. invoking the $p->eof method.  A handler callback is not allowed to
  539. invoke the $p->parse() or $p->parse_file() method.  An exception will
  540. be raised if it tries.
  541.  
  542. Examples:
  543.  
  544.     $p->handler(start =>  "start", 'self, attr, attrseq, text' );
  545.  
  546. This causes the "start" method of object $p to be called for 'start' events.
  547. The callback signature is $p->start(\%attr, \@attr_seq, $text).
  548.  
  549.     $p->handler(start =>  \&start, 'attr, attrseq, text' );
  550.  
  551. This causes subroutine start() to be called for 'start' events.
  552. The callback signature is start(\%attr, \@attr_seq, $text).
  553.  
  554.     $p->handler(start =>  \@accum, '"S", attr, attrseq, text' );
  555.  
  556. This causes 'start' event information to be saved in @accum.
  557. The array elements will be ['S', \%attr, \@attr_seq, $text].
  558.  
  559.    $p->handler(start => "");
  560.  
  561. This causes 'start' events to be ignored.  It also suppresses
  562. invocations of any default handler for start events.  It is in most
  563. cases equivalent to $p->handler(start => sub {}), but is more
  564. efficient.  It is different from the empty-sub-handler in that
  565. C<skipped_text> is not reset by it.
  566.  
  567.    $p->handler(start => undef);
  568.  
  569. This causes no handler to be associated with start events.
  570. If there is a default handler it will be invoked.
  571.  
  572. =back
  573.  
  574. Filters based on tags can be set up to limit the number of events
  575. reported.  The main bottleneck during parsing is often the huge number
  576. of callbacks made from the parser.  Applying filters can improve
  577. performance significantly.
  578.  
  579. The following methods control filters:
  580.  
  581. =over
  582.  
  583. =item $p->ignore_elements( @tags )
  584.  
  585. Both the C<start> event and the C<end> event as well as any events that
  586. would be reported in between are suppressed.  The ignored elements can
  587. contain nested occurrences of itself.  Example:
  588.  
  589.    $p->ignore_elements(qw(script style));
  590.  
  591. The C<script> and C<style> tags will always nest properly since their
  592. content is parsed in CDATA mode.  For most other tags
  593. C<ignore_elements> must be used with caution since HTML is often not
  594. I<well formed>.
  595.  
  596. =item $p->ignore_tags( @tags )
  597.  
  598. Any C<start> and C<end> events involving any of the tags given are
  599. suppressed.  To reset the filter (i.e. don't suppress any C<start> and
  600. C<end> events), call C<ignore_tags> without an argument.
  601.  
  602. =item $p->report_tags( @tags )
  603.  
  604. Any C<start> and C<end> events involving any of the tags I<not> given
  605. are suppressed.  To reset the filter (i.e. report all C<start> and
  606. C<end> events), call C<report_tags> without an argument.
  607.  
  608. =back
  609.  
  610. Internally, the system has two filter lists, one for C<report_tags>
  611. and one for C<ignore_tags>, and both filters are applied.  This
  612. effectively gives C<ignore_tags> precedence over C<report_tags>.
  613.  
  614. Examples:
  615.  
  616.    $p->ignore_tags(qw(style));
  617.    $p->report_tags(qw(script style));
  618.  
  619. results in only C<script> events being reported.
  620.  
  621. =head2 Argspec
  622.  
  623. Argspec is a string containing a comma-separated list that describes
  624. the information reported by the event.  The following argspec
  625. identifier names can be used:
  626.  
  627. =over
  628.  
  629. =item C<attr>
  630.  
  631. Attr causes a reference to a hash of attribute name/value pairs to be
  632. passed.
  633.  
  634. Boolean attributes' values are either the value set by
  635. $p->boolean_attribute_value, or the attribute name if no value has been
  636. set by $p->boolean_attribute_value.
  637.  
  638. This passes undef except for C<start> events.
  639.  
  640. Unless C<xml_mode> or C<case_sensitive> is enabled, the attribute
  641. names are forced to lower case.
  642.  
  643. General entities are decoded in the attribute values and
  644. one layer of matching quotes enclosing the attribute values is removed.
  645.  
  646. The Unicode character set is assumed for entity decoding.  With Perl
  647. version 5.6 or earlier only the Latin-1 range is supported, and
  648. entities for characters outside the range 0..255 are left unchanged.
  649.  
  650. =item C<@attr>
  651.  
  652. Basically the same as C<attr>, but keys and values are passed as
  653. individual arguments and the original sequence of the attributes is
  654. kept.  The parameters passed will be the same as the @attr calculated
  655. here:
  656.  
  657.    @attr = map { $_ => $attr->{$_} } @$attrseq;
  658.  
  659. assuming $attr and $attrseq here are the hash and array passed as the
  660. result of C<attr> and C<attrseq> argspecs.
  661.  
  662. This passes no values for events besides C<start>.
  663.  
  664. =item C<attrseq>
  665.  
  666. Attrseq causes a reference to an array of attribute names to be
  667. passed.  This can be useful if you want to walk the C<attr> hash in
  668. the original sequence.
  669.  
  670. This passes undef except for C<start> events.
  671.  
  672. Unless C<xml_mode> or C<case_sensitive> is enabled, the attribute
  673. names are forced to lower case.
  674.  
  675. =item C<column>
  676.  
  677. Column causes the column number of the start of the event to be passed.
  678. The first column on a line is 0.
  679.  
  680. =item C<dtext>
  681.  
  682. Dtext causes the decoded text to be passed.  General entities are
  683. automatically decoded unless the event was inside a CDATA section or
  684. was between literal start and end tags (C<script>, C<style>,
  685. C<xmp>, and C<plaintext>).
  686.  
  687. The Unicode character set is assumed for entity decoding.  With Perl
  688. version 5.6 or earlier only the Latin-1 range is supported, and
  689. entities for characters outside the range 0..255 are left unchanged.
  690.  
  691. This passes undef except for C<text> events.
  692.  
  693. =item C<event>
  694.  
  695. Event causes the event name to be passed.
  696.  
  697. The event name is one of C<text>, C<start>, C<end>, C<declaration>,
  698. C<comment>, C<process>, C<start_document> or C<end_document>.
  699.  
  700. =item C<is_cdata>
  701.  
  702. Is_cdata causes a TRUE value to be passed if the event is inside a CDATA
  703. section or between literal start and end tags (C<script>,
  704. C<style>, C<xmp>, and C<plaintext>).
  705.  
  706. if the flag is FALSE for a text event, then you should normally
  707. either use C<dtext> or decode the entities yourself before the text is
  708. processed further.
  709.  
  710. =item C<length>
  711.  
  712. Length causes the number of bytes of the source text of the event to
  713. be passed.
  714.  
  715. =item C<line>
  716.  
  717. Line causes the line number of the start of the event to be passed.
  718. The first line in the document is 1.  Line counting doesn't start
  719. until at least one handler requests this value to be reported.
  720.  
  721. =item C<offset>
  722.  
  723. Offset causes the byte position in the HTML document of the start of
  724. the event to be passed.  The first byte in the document has offset 0.
  725.  
  726. =item C<offset_end>
  727.  
  728. Offset_end causes the byte position in the HTML document of the end of
  729. the event to be passed.  This is the same as C<offset> + C<length>.
  730.  
  731. =item C<self>
  732.  
  733. Self causes the current object to be passed to the handler.  If the
  734. handler is a method, this must be the first element in the argspec.
  735.  
  736. An alternative to passing self as an argspec is to register closures
  737. that capture $self by themselves as handlers.  Unfortunately this
  738. creates circular references which prevent the HTML::Parser object
  739. from being garbage collected.  Using the C<self> argspec avoids this
  740. problem.
  741.  
  742. =item C<skipped_text>
  743.  
  744. Skipped_text returns the concatenated text of all the events that have
  745. been skipped since the last time an event was reported.  Events might
  746. be skipped because no handler is registered for them or because some
  747. filter applies.  Skipped text also includes marked section markup,
  748. since there are no events that can catch it.
  749.  
  750. If an C<"">-handler is registered for an event, then the text for this
  751. event is not included in C<skipped_text>.  Skipped text both before
  752. and after the C<"">-event is included in the next reported
  753. C<skipped_text>.
  754.  
  755. =item C<tag>
  756.  
  757. Same as C<tagname>, but prefixed with "/" if it belongs to an C<end>
  758. event and "!" for a declaration.  The C<tag> does not have any prefix
  759. for C<start> events, and is in this case identical to C<tagname>.
  760.  
  761. =item C<tagname>
  762.  
  763. This is the element name (or I<generic identifier> in SGML jargon) for
  764. start and end tags.  Since HTML is case insensitive, this name is
  765. forced to lower case to ease string matching.
  766.  
  767. Since XML is case sensitive, the tagname case is not changed when
  768. C<xml_mode> is enabled.  The same happens if the C<case_sensitive> attribute
  769. is set.
  770.  
  771. The declaration type of declaration elements is also passed as a tagname,
  772. even if that is a bit strange.
  773. In fact, in the current implementation tagname is
  774. identical to C<token0> except that the name may be forced to lower case.
  775.  
  776. =item C<token0>
  777.  
  778. Token0 causes the original text of the first token string to be
  779. passed.  This should always be the same as $tokens->[0].
  780.  
  781. For C<declaration> events, this is the declaration type.
  782.  
  783. For C<start> and C<end> events, this is the tag name.
  784.  
  785. For C<process> and non-strict C<comment> events, this is everything
  786. inside the tag.
  787.  
  788. This passes undef if there are no tokens in the event.
  789.  
  790. =item C<tokenpos>
  791.  
  792. Tokenpos causes a reference to an array of token positions to be
  793. passed.  For each string that appears in C<tokens>, this array
  794. contains two numbers.  The first number is the offset of the start of
  795. the token in the original C<text> and the second number is the length
  796. of the token.
  797.  
  798. Boolean attributes in a C<start> event will have (0,0) for the
  799. attribute value offset and length.
  800.  
  801. This passes undef if there are no tokens in the event (e.g., C<text>)
  802. and for artificial C<end> events triggered by empty element tags.
  803.  
  804. If you are using these offsets and lengths to modify C<text>, you
  805. should either work from right to left, or be very careful to calculate
  806. the changes to the offsets.
  807.  
  808. =item C<tokens>
  809.  
  810. Tokens causes a reference to an array of token strings to be passed.
  811. The strings are exactly as they were found in the original text,
  812. no decoding or case changes are applied.
  813.  
  814. For C<declaration> events, the array contains each word, comment, and
  815. delimited string starting with the declaration type.
  816.  
  817. For C<comment> events, this contains each sub-comment.  If
  818. $p->strict_comments is disabled, there will be only one sub-comment.
  819.  
  820. For C<start> events, this contains the original tag name followed by
  821. the attribute name/value pairs.  The values of boolean attributes will
  822. be either the value set by $p->boolean_attribute_value, or the
  823. attribute name if no value has been set by
  824. $p->boolean_attribute_value.
  825.  
  826. For C<end> events, this contains the original tag name (always one token).
  827.  
  828. For C<process> events, this contains the process instructions (always one
  829. token).
  830.  
  831. This passes C<undef> for C<text> events.
  832.  
  833. =item C<text>
  834.  
  835. Text causes the source text (including markup element delimiters) to be
  836. passed.
  837.  
  838. =item C<undef>
  839.  
  840. Pass an undefined value.  Useful as padding where the same handler
  841. routine is registered for multiple events.
  842.  
  843. =item C<'...'>
  844.  
  845. A literal string of 0 to 255 characters enclosed
  846. in single (') or double (") quotes is passed as entered.
  847.  
  848. =back
  849.  
  850. The whole argspec string can be wrapped up in C<'@{...}'> to signal
  851. that the resulting event array should be flattened.  This only makes a
  852. difference if an array reference is used as the handler target.
  853. Consider this example:
  854.  
  855.    $p->handler(text => [], 'text');
  856.    $p->handler(text => [], '@{text}']);
  857.  
  858. With two text events; C<"foo">, C<"bar">; then the first example will end
  859. up with [["foo"], ["bar"]] and the second with ["foo", "bar"] in
  860. the handler target array.
  861.  
  862.  
  863. =head2 Events
  864.  
  865. Handlers for the following events can be registered:
  866.  
  867. =over
  868.  
  869. =item C<comment>
  870.  
  871. This event is triggered when a markup comment is recognized.
  872.  
  873. Example:
  874.  
  875.   <!-- This is a comment -- -- So is this -->
  876.  
  877. =item C<declaration>
  878.  
  879. This event is triggered when a I<markup declaration> is recognized.
  880.  
  881. For typical HTML documents, the only declaration you are
  882. likely to find is <!DOCTYPE ...>.
  883.  
  884. Example:
  885.  
  886.   <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN"
  887.   "http://www.w3.org/TR/html40/strict.dtd">
  888.  
  889. DTDs inside <!DOCTYPE ...> will confuse HTML::Parser.
  890.  
  891. =item C<default>
  892.  
  893. This event is triggered for events that do not have a specific
  894. handler.  You can set up a handler for this event to catch stuff you
  895. did not want to catch explicitly.
  896.  
  897. =item C<end>
  898.  
  899. This event is triggered when an end tag is recognized.
  900.  
  901. Example:
  902.  
  903.   </A>
  904.  
  905. =item C<end_document>
  906.  
  907. This event is triggered when $p->eof is called and after any remaining
  908. text is flushed.  There is no document text associated with this event.
  909.  
  910. =item C<process>
  911.  
  912. This event is triggered when a processing instructions markup is
  913. recognized.
  914.  
  915. The format and content of processing instructions are system and
  916. application dependent.
  917.  
  918. Examples:
  919.  
  920.   <? HTML processing instructions >
  921.   <? XML processing instructions ?>
  922.  
  923. =item C<start>
  924.  
  925. This event is triggered when a start tag is recognized.
  926.  
  927. Example:
  928.  
  929.   <A HREF="http://www.perl.com/">
  930.  
  931. =item C<start_document>
  932.  
  933. This event is triggered before any other events for a new document.  A
  934. handler for it can be used to initialize stuff.  There is no document
  935. text associated with this event.
  936.  
  937. =item C<text>
  938.  
  939. This event is triggered when plain text (characters) is recognized.
  940. The text may contain multiple lines.  A sequence of text may be broken
  941. between several text events unless $p->unbroken_text is enabled.
  942.  
  943. The parser will make sure that it does not break a word or a sequence
  944. of whitespace between two text events.
  945.  
  946. =back
  947.  
  948. =head2 Unicode
  949.  
  950. The C<HTML::Parser> can parse Unicode strings when running under
  951. perl-5.8 or better.  If Unicode is passed to $p->parse() then chunks
  952. of Unicode will be reported to the handlers.  The offset and length
  953. argspecs will also report their position in terms of characters.
  954.  
  955. It is safe to parse raw undecoded UTF-8 if you either avoid decoding
  956. entities and make sure to not use I<argspecs> that do, or enable the
  957. C<utf8_mode> for the parser.  Parsing of undecoded UTF-8 might be
  958. useful when parsing from a file where you need the reported offsets
  959. and lengths to match the byte offsets in the file.
  960.  
  961. If a filename is passed to $p->parse_file() then the file will be read
  962. in binary mode.  This will be fine if the file contains only ASCII or
  963. Latin-1 characters.  If the file contains UTF-8 encoded text then care
  964. must be taken when decoding entities as described in the previous
  965. paragraph, but better is to open the file with the UTF-8 layer so that
  966. it is decoded properly:
  967.  
  968.    open(my $fh, "<:utf8", "index.html") || die "...: $!";
  969.    $p->parse_file($fh);
  970.  
  971. If the file contains text encoded in a charset besides ASCII, Latin-1
  972. or UTF-8 then decoding will always be needed.
  973.  
  974. =head1 VERSION 2 COMPATIBILITY
  975.  
  976. When an C<HTML::Parser> object is constructed with no arguments, a set
  977. of handlers is automatically provided that is compatible with the old
  978. HTML::Parser version 2 callback methods.
  979.  
  980. This is equivalent to the following method calls:
  981.  
  982.    $p->handler(start   => "start",   "self, tagname, attr, attrseq, text");
  983.    $p->handler(end     => "end",     "self, tagname, text");
  984.    $p->handler(text    => "text",    "self, text, is_cdata");
  985.    $p->handler(process => "process", "self, token0, text");
  986.    $p->handler(comment =>
  987.              sub {
  988.          my($self, $tokens) = @_;
  989.          for (@$tokens) {$self->comment($_);}},
  990.              "self, tokens");
  991.    $p->handler(declaration =>
  992.              sub {
  993.          my $self = shift;
  994.          $self->declaration(substr($_[0], 2, -1));},
  995.              "self, text");
  996.  
  997. Setting up these handlers can also be requested with the "api_version =>
  998. 2" constructor option.
  999.  
  1000. =head1 SUBCLASSING
  1001.  
  1002. The C<HTML::Parser> class is subclassable.  Parser objects are plain
  1003. hashes and C<HTML::Parser> reserves only hash keys that start with
  1004. "_hparser".  The parser state can be set up by invoking the init()
  1005. method, which takes the same arguments as new().
  1006.  
  1007. =head1 EXAMPLES
  1008.  
  1009. The first simple example shows how you might strip out comments from
  1010. an HTML document.  We achieve this by setting up a comment handler that
  1011. does nothing and a default handler that will print out anything else:
  1012.  
  1013.   use HTML::Parser;
  1014.   HTML::Parser->new(default_h => [sub { print shift }, 'text'],
  1015.                     comment_h => [""],
  1016.                    )->parse_file(shift || die) || die $!;
  1017.  
  1018. An alternative implementation is:
  1019.  
  1020.   use HTML::Parser;
  1021.   HTML::Parser->new(end_document_h => [sub { print shift },
  1022.                                        'skipped_text'],
  1023.                     comment_h      => [""],
  1024.                    )->parse_file(shift || die) || die $!;
  1025.  
  1026. This will in most cases be much more efficient since only a single
  1027. callback will be made.
  1028.  
  1029. The next example prints out the text that is inside the <title>
  1030. element of an HTML document.  Here we start by setting up a start
  1031. handler.  When it sees the title start tag it enables a text handler
  1032. that prints any text found and an end handler that will terminate
  1033. parsing as soon as the title end tag is seen:
  1034.  
  1035.   use HTML::Parser ();
  1036.  
  1037.   sub start_handler
  1038.   {
  1039.     return if shift ne "title";
  1040.     my $self = shift;
  1041.     $self->handler(text => sub { print shift }, "dtext");
  1042.     $self->handler(end  => sub { shift->eof if shift eq "title"; },
  1043.                    "tagname,self");
  1044.   }
  1045.  
  1046.   my $p = HTML::Parser->new(api_version => 3);
  1047.   $p->handler( start => \&start_handler, "tagname,self");
  1048.   $p->parse_file(shift || die) || die $!;
  1049.   print "\n";
  1050.  
  1051. On a Debian box, more examples can be found in the
  1052. /usr/share/doc/libhtml-parser-perl/examples directory.
  1053. The program C<hrefsub> shows how you can edit all links
  1054. found in a document and C<htextsub> how to edit the text only; the
  1055. program C<hstrip> shows how you can strip out certain tags/elements
  1056. and/or attributes; and the program C<htext> show how to obtain the
  1057. plain text, but not any script/style content.
  1058.  
  1059. You can browse the F<eg/> directory online from the I<[Browse]> link on
  1060. the http://search.cpan.org/~gaas/HTML-Parser/ page.
  1061.  
  1062. =head1 BUGS
  1063.  
  1064. The <style> and <script> sections do not end with the first "</", but
  1065. need the complete corresponding end tag.  The standard behaviour is
  1066. not really practical.
  1067.  
  1068. When the I<strict_comment> option is enabled, we still recognize
  1069. comments where there is something other than whitespace between even
  1070. and odd "--" markers.
  1071.  
  1072. Once $p->boolean_attribute_value has been set, there is no way to
  1073. restore the default behaviour.
  1074.  
  1075. There is currently no way to get both quote characters
  1076. into the same literal argspec.
  1077.  
  1078. Empty tags, e.g. "<>" and "</>", are not recognized.  SGML allows them
  1079. to repeat the previous start tag or close the previous start tag
  1080. respectively.
  1081.  
  1082. NET tags, e.g. "code/.../" are not recognized.  This is SGML
  1083. shorthand for "<code>...</code>".
  1084.  
  1085. Unclosed start or end tags, e.g. "<tt<b>...</b</tt>" are not
  1086. recognized.
  1087.  
  1088. =head1 DIAGNOSTICS
  1089.  
  1090. The following messages may be produced by HTML::Parser.  The notation
  1091. in this listing is the same as used in L<perldiag>:
  1092.  
  1093. =over
  1094.  
  1095. =item Not a reference to a hash
  1096.  
  1097. (F) The object blessed into or subclassed from HTML::Parser is not a
  1098. hash as required by the HTML::Parser methods.
  1099.  
  1100. =item Bad signature in parser state object at %p
  1101.  
  1102. (F) The _hparser_xs_state element does not refer to a valid state structure.
  1103. Something must have changed the internal value
  1104. stored in this hash element, or the memory has been overwritten.
  1105.  
  1106. =item _hparser_xs_state element is not a reference
  1107.  
  1108. (F) The _hparser_xs_state element has been destroyed.
  1109.  
  1110. =item Can't find '_hparser_xs_state' element in HTML::Parser hash
  1111.  
  1112. (F) The _hparser_xs_state element is missing from the parser hash.
  1113. It was either deleted, or not created when the object was created.
  1114.  
  1115. =item API version %s not supported by HTML::Parser %s
  1116.  
  1117. (F) The constructor option 'api_version' with an argument greater than
  1118. or equal to 4 is reserved for future extensions.
  1119.  
  1120. =item Bad constructor option '%s'
  1121.  
  1122. (F) An unknown constructor option key was passed to the new() or
  1123. init() methods.
  1124.  
  1125. =item Parse loop not allowed
  1126.  
  1127. (F) A handler invoked the parse() or parse_file() method.
  1128. This is not permitted.
  1129.  
  1130. =item marked sections not supported
  1131.  
  1132. (F) The $p->marked_sections() method was invoked in a HTML::Parser
  1133. module that was compiled without support for marked sections.
  1134.  
  1135. =item Unknown boolean attribute (%d)
  1136.  
  1137. (F) Something is wrong with the internal logic that set up aliases for
  1138. boolean attributes.
  1139.  
  1140. =item Only code or array references allowed as handler
  1141.  
  1142. (F) The second argument for $p->handler must be either a subroutine
  1143. reference, then name of a subroutine or method, or a reference to an
  1144. array.
  1145.  
  1146. =item No handler for %s events
  1147.  
  1148. (F) The first argument to $p->handler must be a valid event name; i.e. one
  1149. of "start", "end", "text", "process", "declaration" or "comment".
  1150.  
  1151. =item Unrecognized identifier %s in argspec
  1152.  
  1153. (F) The identifier is not a known argspec name.
  1154. Use one of the names mentioned in the argspec section above.
  1155.  
  1156. =item Literal string is longer than 255 chars in argspec
  1157.  
  1158. (F) The current implementation limits the length of literals in
  1159. an argspec to 255 characters.  Make the literal shorter.
  1160.  
  1161. =item Backslash reserved for literal string in argspec
  1162.  
  1163. (F) The backslash character "\" is not allowed in argspec literals.
  1164. It is reserved to permit quoting inside a literal in a later version.
  1165.  
  1166. =item Unterminated literal string in argspec
  1167.  
  1168. (F) The terminating quote character for a literal was not found.
  1169.  
  1170. =item Bad argspec (%s)
  1171.  
  1172. (F) Only identifier names, literals, spaces and commas
  1173. are allowed in argspecs.
  1174.  
  1175. =item Missing comma separator in argspec
  1176.  
  1177. (F) Identifiers in an argspec must be separated with ",".
  1178.  
  1179. =item Parsing of undecoded UTF-8 will give garbage when decoding entities
  1180.  
  1181. (W) The first chunk parsed appears to contain undecoded UTF-8 and one
  1182. or more argspecs that decode entities are used for the callback
  1183. handlers.
  1184.  
  1185. The result of decoding will be a mix of encoded and decoded characters
  1186. for any entities that expand to characters with code above 127.  This
  1187. is not a good thing.
  1188.  
  1189. The solution is to use the Encode::encode_utf8() on the data before
  1190. feeding it to the $p->parse().  For $p->parse_file() pass a file that
  1191. has been opened in ":utf8" mode.
  1192.  
  1193. The parser can process raw undecoded UTF-8 sanely if the C<utf8_mode>
  1194. is enabled or if the "attr", "@attr" or "dtext" argspecs is avoided.
  1195.  
  1196. =item Parsing string decoded with wrong endianess
  1197.  
  1198. (W) The first character in the document is U+FFFE.  This is not a
  1199. legal Unicode character but a byte swapped BOM.  The result of parsing
  1200. will likely be garbage.
  1201.  
  1202. =item Parsing of undecoded UTF-32
  1203.  
  1204. (W) The parser found the Unicode UTF-32 BOM signature at the start
  1205. of the document.  The result of parsing will likely be garbage.
  1206.  
  1207. =item Parsing of undecoded UTF-16
  1208.  
  1209. (W) The parser found the Unicode UTF-16 BOM signature at the start of
  1210. the document.  The result of parsing will likely be garbage.
  1211.  
  1212. =back
  1213.  
  1214. =head1 SEE ALSO
  1215.  
  1216. L<HTML::Entities>, L<HTML::PullParser>, L<HTML::TokeParser>, L<HTML::HeadParser>,
  1217. L<HTML::LinkExtor>, L<HTML::Form>
  1218.  
  1219. L<HTML::TreeBuilder> (part of the I<HTML-Tree> distribution)
  1220.  
  1221. http://www.w3.org/TR/html4
  1222.  
  1223. More information about marked sections and processing instructions may
  1224. be found at C<http://www.sgml.u-net.com/book/sgml-8.htm>.
  1225.  
  1226. =head1 COPYRIGHT
  1227.  
  1228.  Copyright 1996-2007 Gisle Aas. All rights reserved.
  1229.  Copyright 1999-2000 Michael A. Chase.  All rights reserved.
  1230.  
  1231. This library is free software; you can redistribute it and/or
  1232. modify it under the same terms as Perl itself.
  1233.  
  1234. =cut
  1235.