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 / TokeParser.pm < prev   
Text File  |  2006-04-26  |  10KB  |  372 lines

  1. package HTML::TokeParser;
  2.  
  3. # $Id: TokeParser.pm,v 2.37 2006/04/26 08:00:28 gisle Exp $
  4.  
  5. require HTML::PullParser;
  6. @ISA=qw(HTML::PullParser);
  7. $VERSION = sprintf("%d.%02d", q$Revision: 2.37 $ =~ /(\d+)\.(\d+)/);
  8.  
  9. use strict;
  10. use Carp ();
  11. use HTML::Entities qw(decode_entities);
  12. use HTML::Tagset ();
  13.  
  14. my %ARGS =
  15. (
  16.  start       => "'S',tagname,attr,attrseq,text",
  17.  end         => "'E',tagname,text",
  18.  text        => "'T',text,is_cdata",
  19.  process     => "'PI',token0,text",
  20.  comment     => "'C',text",
  21.  declaration => "'D',text",
  22.  
  23.  # options that default on
  24.  unbroken_text => 1,
  25. );
  26.  
  27.  
  28. sub new
  29. {
  30.     my $class = shift;
  31.     my %cnf;
  32.     if (@_ == 1) {
  33.     my $type = (ref($_[0]) eq "SCALAR") ? "doc" : "file";
  34.     %cnf = ($type => $_[0]);
  35.     }
  36.     else {
  37.     %cnf = @_;
  38.     }
  39.  
  40.     my $textify = delete $cnf{textify} || {img => "alt", applet => "alt"};
  41.  
  42.     my $self = $class->SUPER::new(%cnf, %ARGS) || return undef;
  43.  
  44.     $self->{textify} = $textify;
  45.     $self;
  46. }
  47.  
  48.  
  49. sub get_tag
  50. {
  51.     my $self = shift;
  52.     my $token;
  53.     while (1) {
  54.     $token = $self->get_token || return undef;
  55.     my $type = shift @$token;
  56.     next unless $type eq "S" || $type eq "E";
  57.     substr($token->[0], 0, 0) = "/" if $type eq "E";
  58.     return $token unless @_;
  59.     for (@_) {
  60.         return $token if $token->[0] eq $_;
  61.     }
  62.     }
  63. }
  64.  
  65.  
  66. sub _textify {
  67.     my($self, $token) = @_;
  68.     my $tag = $token->[1];
  69.     return undef unless exists $self->{textify}{$tag};
  70.  
  71.     my $alt = $self->{textify}{$tag};
  72.     my $text;
  73.     if (ref($alt)) {
  74.     $text = &$alt(@$token);
  75.     } else {
  76.     $text = $token->[2]{$alt || "alt"};
  77.     $text = "[\U$tag]" unless defined $text;
  78.     }
  79.     return $text;
  80. }
  81.  
  82.  
  83. sub get_text
  84. {
  85.     my $self = shift;
  86.     my @text;
  87.     while (my $token = $self->get_token) {
  88.     my $type = $token->[0];
  89.     if ($type eq "T") {
  90.         my $text = $token->[1];
  91.         decode_entities($text) unless $token->[2];
  92.         push(@text, $text);
  93.     } elsif ($type =~ /^[SE]$/) {
  94.         my $tag = $token->[1];
  95.         if ($type eq "S") {
  96.         if (defined(my $text = _textify($self, $token))) {
  97.             push(@text, $text);
  98.             next;
  99.         }
  100.         } else {
  101.         $tag = "/$tag";
  102.         }
  103.         if (!@_ || grep $_ eq $tag, @_) {
  104.          $self->unget_token($token);
  105.          last;
  106.         }
  107.         push(@text, " ")
  108.         if $tag eq "br" || !$HTML::Tagset::isPhraseMarkup{$token->[1]};
  109.     }
  110.     }
  111.     join("", @text);
  112. }
  113.  
  114.  
  115. sub get_trimmed_text
  116. {
  117.     my $self = shift;
  118.     my $text = $self->get_text(@_);
  119.     $text =~ s/^\s+//; $text =~ s/\s+$//; $text =~ s/\s+/ /g;
  120.     $text;
  121. }
  122.  
  123. sub get_phrase {
  124.     my $self = shift;
  125.     my @text;
  126.     while (my $token = $self->get_token) {
  127.     my $type = $token->[0];
  128.     if ($type eq "T") {
  129.         my $text = $token->[1];
  130.         decode_entities($text) unless $token->[2];
  131.         push(@text, $text);
  132.     } elsif ($type =~ /^[SE]$/) {
  133.         my $tag = $token->[1];
  134.         if ($type eq "S") {
  135.         if (defined(my $text = _textify($self, $token))) {
  136.             push(@text, $text);
  137.             next;
  138.         }
  139.         }
  140.         if (!$HTML::Tagset::isPhraseMarkup{$tag}) {
  141.         $self->unget_token($token);
  142.         last;
  143.         }
  144.         push(@text, " ") if $tag eq "br";
  145.     }
  146.     }
  147.     my $text = join("", @text);
  148.     $text =~ s/^\s+//; $text =~ s/\s+$//; $text =~ s/\s+/ /g;
  149.     $text;
  150. }
  151.  
  152. 1;
  153.  
  154.  
  155. __END__
  156.  
  157. =head1 NAME
  158.  
  159. HTML::TokeParser - Alternative HTML::Parser interface
  160.  
  161. =head1 SYNOPSIS
  162.  
  163.  require HTML::TokeParser;
  164.  $p = HTML::TokeParser->new("index.html") ||
  165.       die "Can't open: $!";
  166.  $p->empty_element_tags(1);  # configure its behaviour
  167.  
  168.  while (my $token = $p->get_token) {
  169.      #...
  170.  }
  171.  
  172. =head1 DESCRIPTION
  173.  
  174. The C<HTML::TokeParser> is an alternative interface to the
  175. C<HTML::Parser> class.  It is an C<HTML::PullParser> subclass with a
  176. predeclared set of token types.  If you wish the tokens to be reported
  177. differently you probably want to use the C<HTML::PullParser> directly.
  178.  
  179. The following methods are available:
  180.  
  181. =over 4
  182.  
  183. =item $p = HTML::TokeParser->new( $filename, %opt );
  184.  
  185. =item $p = HTML::TokeParser->new( $filehandle, %opt );
  186.  
  187. =item $p = HTML::TokeParser->new( \$document, %opt );
  188.  
  189. The object constructor argument is either a file name, a file handle
  190. object, or the complete document to be parsed.  Extra options can be
  191. provided as key/value pairs and are processed as documented by the base
  192. classes.
  193.  
  194. If the argument is a plain scalar, then it is taken as the name of a
  195. file to be opened and parsed.  If the file can't be opened for
  196. reading, then the constructor will return C<undef> and $! will tell
  197. you why it failed.
  198.  
  199. If the argument is a reference to a plain scalar, then this scalar is
  200. taken to be the literal document to parse.  The value of this
  201. scalar should not be changed before all tokens have been extracted.
  202.  
  203. Otherwise the argument is taken to be some object that the
  204. C<HTML::TokeParser> can read() from when it needs more data.  Typically
  205. it will be a filehandle of some kind.  The stream will be read() until
  206. EOF, but not closed.
  207.  
  208. A newly constructed C<HTML::TokeParser> differ from its base classes
  209. by having the C<unbroken_text> attribute enabled by default. See
  210. L<HTML::Parser> for a description of this and other attributes that
  211. influence how the document is parsed. It is often a good idea to enable
  212. C<empty_element_tags> behaviour.
  213.  
  214. Note that the parsing result will likely not be valid if raw undecoded
  215. UTF-8 is used as a source.  When parsing UTF-8 encoded files turn
  216. on UTF-8 decoding:
  217.  
  218.    open(my $fh, "<:utf8", "index.html") || die "Can't open 'index.html': $!";
  219.    my $p = HTML::TokeParser->new( $fh );
  220.    # ...
  221.  
  222. If a $filename is passed to the constructor the file will be opened in
  223. raw mode and the parsing result will only be valid if its content is
  224. Latin-1 or pure ASCII.
  225.  
  226. If parsing from an UTF-8 encoded string buffer decode it first:
  227.  
  228.    utf8::decode($document);
  229.    my $p = HTML::TokeParser->new( \$document );
  230.    # ...
  231.  
  232. =item $p->get_token
  233.  
  234. This method will return the next I<token> found in the HTML document,
  235. or C<undef> at the end of the document.  The token is returned as an
  236. array reference.  The first element of the array will be a string
  237. denoting the type of this token: "S" for start tag, "E" for end tag,
  238. "T" for text, "C" for comment, "D" for declaration, and "PI" for
  239. process instructions.  The rest of the token array depend on the type
  240. like this:
  241.  
  242.   ["S",  $tag, $attr, $attrseq, $text]
  243.   ["E",  $tag, $text]
  244.   ["T",  $text, $is_data]
  245.   ["C",  $text]
  246.   ["D",  $text]
  247.   ["PI", $token0, $text]
  248.  
  249. where $attr is a hash reference, $attrseq is an array reference and
  250. the rest are plain scalars.  The L<HTML::Parser/Argspec> explains the
  251. details.
  252.  
  253. =item $p->unget_token( @tokens )
  254.  
  255. If you find you have read too many tokens you can push them back,
  256. so that they are returned the next time $p->get_token is called.
  257.  
  258. =item $p->get_tag
  259.  
  260. =item $p->get_tag( @tags )
  261.  
  262. This method returns the next start or end tag (skipping any other
  263. tokens), or C<undef> if there are no more tags in the document.  If
  264. one or more arguments are given, then we skip tokens until one of the
  265. specified tag types is found.  For example:
  266.  
  267.    $p->get_tag("font", "/font");
  268.  
  269. will find the next start or end tag for a font-element.
  270.  
  271. The tag information is returned as an array reference in the same form
  272. as for $p->get_token above, but the type code (first element) is
  273. missing. A start tag will be returned like this:
  274.  
  275.   [$tag, $attr, $attrseq, $text]
  276.  
  277. The tagname of end tags are prefixed with "/", i.e. end tag is
  278. returned like this:
  279.  
  280.   ["/$tag", $text]
  281.  
  282. =item $p->get_text
  283.  
  284. =item $p->get_text( @endtags )
  285.  
  286. This method returns all text found at the current position. It will
  287. return a zero length string if the next token is not text. Any
  288. entities will be converted to their corresponding character.
  289.  
  290. If one or more arguments are given, then we return all text occurring
  291. before the first of the specified tags found. For example:
  292.  
  293.    $p->get_text("p", "br");
  294.  
  295. will return the text up to either a paragraph of linebreak element.
  296.  
  297. The text might span tags that should be I<textified>.  This is
  298. controlled by the $p->{textify} attribute, which is a hash that
  299. defines how certain tags can be treated as text.  If the name of a
  300. start tag matches a key in this hash then this tag is converted to
  301. text.  The hash value is used to specify which tag attribute to obtain
  302. the text from.  If this tag attribute is missing, then the upper case
  303. name of the tag enclosed in brackets is returned, e.g. "[IMG]".  The
  304. hash value can also be a subroutine reference.  In this case the
  305. routine is called with the start tag token content as its argument and
  306. the return value is treated as the text.
  307.  
  308. The default $p->{textify} value is:
  309.  
  310.   {img => "alt", applet => "alt"}
  311.  
  312. This means that <IMG> and <APPLET> tags are treated as text, and that
  313. the text to substitute can be found in the ALT attribute.
  314.  
  315. =item $p->get_trimmed_text
  316.  
  317. =item $p->get_trimmed_text( @endtags )
  318.  
  319. Same as $p->get_text above, but will collapse any sequences of white
  320. space to a single space character.  Leading and trailing white space is
  321. removed.
  322.  
  323. =item $p->get_phrase
  324.  
  325. This will return all text found at the current position ignoring any
  326. phrasal-level tags.  Text is extracted until the first non
  327. phrasal-level tag.  Textification of tags is the same as for
  328. get_text().  This method will collapse white space in the same way as
  329. get_trimmed_text() does.
  330.  
  331. The definition of <i>phrasal-level tags</i> is obtained from the
  332. HTML::Tagset module.
  333.  
  334. =back
  335.  
  336. =head1 EXAMPLES
  337.  
  338. This example extracts all links from a document.  It will print one
  339. line for each link, containing the URL and the textual description
  340. between the <A>...</A> tags:
  341.  
  342.   use HTML::TokeParser;
  343.   $p = HTML::TokeParser->new(shift||"index.html");
  344.  
  345.   while (my $token = $p->get_tag("a")) {
  346.       my $url = $token->[1]{href} || "-";
  347.       my $text = $p->get_trimmed_text("/a");
  348.       print "$url\t$text\n";
  349.   }
  350.  
  351. This example extract the <TITLE> from the document:
  352.  
  353.   use HTML::TokeParser;
  354.   $p = HTML::TokeParser->new(shift||"index.html");
  355.   if ($p->get_tag("title")) {
  356.       my $title = $p->get_trimmed_text;
  357.       print "Title: $title\n";
  358.   }
  359.  
  360. =head1 SEE ALSO
  361.  
  362. L<HTML::PullParser>, L<HTML::Parser>
  363.  
  364. =head1 COPYRIGHT
  365.  
  366. Copyright 1998-2005 Gisle Aas.
  367.  
  368. This library is free software; you can redistribute it and/or
  369. modify it under the same terms as Perl itself.
  370.  
  371. =cut
  372.