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 / PullParser.pm < prev    next >
Text File  |  2006-04-26  |  6KB  |  212 lines

  1. package HTML::PullParser;
  2.  
  3. # $Id: PullParser.pm,v 2.9 2006/04/26 08:00:28 gisle Exp $
  4.  
  5. require HTML::Parser;
  6. @ISA=qw(HTML::Parser);
  7. $VERSION = sprintf("%d.%02d", q$Revision: 2.9 $ =~ /(\d+)\.(\d+)/);
  8.  
  9. use strict;
  10. use Carp ();
  11.  
  12. sub new
  13. {
  14.     my($class, %cnf) = @_;
  15.  
  16.     # Construct argspecs for the various events
  17.     my %argspec;
  18.     for (qw(start end text declaration comment process default)) {
  19.     my $tmp = delete $cnf{$_};
  20.     next unless defined $tmp;
  21.     $argspec{$_} = $tmp;
  22.     }
  23.     Carp::croak("Info not collected for any events")
  24.       unless %argspec;
  25.  
  26.     my $file = delete $cnf{file};
  27.     my $doc  = delete $cnf{doc};
  28.     Carp::croak("Can't parse from both 'doc' and 'file' at the same time")
  29.       if defined($file) && defined($doc);
  30.     Carp::croak("No 'doc' or 'file' given to parse from")
  31.       unless defined($file) || defined($doc);
  32.  
  33.     # Create object
  34.     $cnf{api_version} = 3;
  35.     my $self = $class->SUPER::new(%cnf);
  36.  
  37.     my $accum = $self->{pullparser_accum} = [];
  38.     while (my($event, $argspec) = each %argspec) {
  39.     $self->SUPER::handler($event => $accum, $argspec);
  40.     }
  41.  
  42.     if (defined $doc) {
  43.     $self->{pullparser_str_ref} = ref($doc) ? $doc : \$doc;
  44.     $self->{pullparser_str_pos} = 0;
  45.     }
  46.     else {
  47.     if (!ref($file) && ref(\$file) ne "GLOB") {
  48.         require IO::File;
  49.         $file = IO::File->new($file, "r") || return;
  50.     }
  51.  
  52.     $self->{pullparser_file} = $file;
  53.     }
  54.     $self;
  55. }
  56.  
  57.  
  58. sub handler
  59. {
  60.     Carp::croak("Can't set handlers for HTML::PullParser");
  61. }
  62.  
  63.  
  64. sub get_token
  65. {
  66.     my $self = shift;
  67.     while (!@{$self->{pullparser_accum}} && !$self->{pullparser_eof}) {
  68.     if (my $f = $self->{pullparser_file}) {
  69.         # must try to parse more from the file
  70.         my $buf;
  71.         if (read($f, $buf, 512)) {
  72.         $self->parse($buf);
  73.         } else {
  74.         $self->eof;
  75.         $self->{pullparser_eof}++;
  76.         delete $self->{pullparser_file};
  77.         }
  78.     }
  79.     elsif (my $sref = $self->{pullparser_str_ref}) {
  80.         # must try to parse more from the scalar
  81.         my $pos = $self->{pullparser_str_pos};
  82.         my $chunk = substr($$sref, $pos, 512);
  83.         $self->parse($chunk);
  84.         $pos += length($chunk);
  85.         if ($pos < length($$sref)) {
  86.         $self->{pullparser_str_pos} = $pos;
  87.         }
  88.         else {
  89.         $self->eof;
  90.         $self->{pullparser_eof}++;
  91.         delete $self->{pullparser_str_ref};
  92.         delete $self->{pullparser_str_pos};
  93.         }
  94.     }
  95.     else {
  96.         die;
  97.     }
  98.     }
  99.     shift @{$self->{pullparser_accum}};
  100. }
  101.  
  102.  
  103. sub unget_token
  104. {
  105.     my $self = shift;
  106.     unshift @{$self->{pullparser_accum}}, @_;
  107.     $self;
  108. }
  109.  
  110. 1;
  111.  
  112.  
  113. __END__
  114.  
  115. =head1 NAME
  116.  
  117. HTML::PullParser - Alternative HTML::Parser interface
  118.  
  119. =head1 SYNOPSIS
  120.  
  121.  use HTML::PullParser;
  122.  
  123.  $p = HTML::PullParser->new(file => "index.html",
  124.                             start => 'event, tagname, @attr',
  125.                             end   => 'event, tagname',
  126.                             ignore_elements => [qw(script style)],
  127.                            ) || die "Can't open: $!";
  128.  while (my $token = $p->get_token) {
  129.      #...do something with $token
  130.  }
  131.  
  132. =head1 DESCRIPTION
  133.  
  134. The HTML::PullParser is an alternative interface to the HTML::Parser class.
  135. It basically turns the HTML::Parser inside out.  You associate a file
  136. (or any IO::Handle object or string) with the parser at construction time and
  137. then repeatedly call $parser->get_token to obtain the tags and text
  138. found in the parsed document.
  139.  
  140. The following methods are provided:
  141.  
  142. =over 4
  143.  
  144. =item $p = HTML::PullParser->new( file => $file, %options )
  145.  
  146. =item $p = HTML::PullParser->new( doc => \$doc, %options )
  147.  
  148. A C<HTML::PullParser> can be made to parse from either a file or a
  149. literal document based on whether the C<file> or C<doc> option is
  150. passed to the parser's constructor.
  151.  
  152. The C<file> passed in can either be a file name or a file handle
  153. object.  If a file name is passed, and it can't be opened for reading,
  154. then the constructor will return an undefined value and $!  will tell
  155. you why it failed.  Otherwise the argument is taken to be some object
  156. that the C<HTML::PullParser> can read() from when it needs more data.
  157. The stream will be read() until EOF, but not closed.
  158.  
  159. A C<doc> can be passed plain or as a reference
  160. to a scalar.  If a reference is passed then the value of this scalar
  161. should not be changed before all tokens have been extracted.
  162.  
  163. Next the information to be returned for the different token types must
  164. be set up.  This is done by simply associating an argspec (as defined
  165. in L<HTML::Parser>) with the events you have an interest in.  For
  166. instance, if you want C<start> tokens to be reported as the string
  167. C<'S'> followed by the tagname and the attributes you might pass an
  168. C<start>-option like this:
  169.  
  170.    $p = HTML::PullParser->new(
  171.           doc   => $document_to_parse,
  172.           start => '"S", tagname, @attr',
  173.           end   => '"E", tagname',
  174.         );
  175.  
  176. At last other C<HTML::Parser> options, like C<ignore_tags>, and
  177. C<unbroken_text>, can be passed in.  Note that you should not use the
  178. I<event>_h options to set up parser handlers.  That would confuse the
  179. inner logic of C<HTML::PullParser>.
  180.  
  181. =item $token = $p->get_token
  182.  
  183. This method will return the next I<token> found in the HTML document,
  184. or C<undef> at the end of the document.  The token is returned as an
  185. array reference.  The content of this array match the argspec set up
  186. during C<HTML::PullParser> construction.
  187.  
  188. =item $p->unget_token( @tokens )
  189.  
  190. If you find out you have read too many tokens you can push them back,
  191. so that they are returned again the next time $p->get_token is called.
  192.  
  193. =back
  194.  
  195. =head1 EXAMPLES
  196.  
  197. The 'eg/hform' script shows how we might parse the form section of
  198. HTML::Documents using HTML::PullParser.
  199.  
  200. =head1 SEE ALSO
  201.  
  202. L<HTML::Parser>, L<HTML::TokeParser>
  203.  
  204. =head1 COPYRIGHT
  205.  
  206. Copyright 1998-2001 Gisle Aas.
  207.  
  208. This library is free software; you can redistribute it and/or
  209. modify it under the same terms as Perl itself.
  210.  
  211. =cut
  212.