home *** CD-ROM | disk | FTP | other *** search
/ PC World Komputer 2010 April / PCWorld0410.iso / hity wydania / Ubuntu 9.10 PL / karmelkowy-koliberek-desktop-9.10-i386-PL.iso / casper / filesystem.squashfs / usr / lib / perl5 / HTML / TokeParser.pm < prev   
Text File  |  2008-04-04  |  10KB  |  370 lines

  1. package HTML::TokeParser;
  2.  
  3. require HTML::PullParser;
  4. @ISA=qw(HTML::PullParser);
  5. $VERSION = "3.57";
  6.  
  7. use strict;
  8. use Carp ();
  9. use HTML::Entities qw(decode_entities);
  10. use HTML::Tagset ();
  11.  
  12. my %ARGS =
  13. (
  14.  start       => "'S',tagname,attr,attrseq,text",
  15.  end         => "'E',tagname,text",
  16.  text        => "'T',text,is_cdata",
  17.  process     => "'PI',token0,text",
  18.  comment     => "'C',text",
  19.  declaration => "'D',text",
  20.  
  21.  # options that default on
  22.  unbroken_text => 1,
  23. );
  24.  
  25.  
  26. sub new
  27. {
  28.     my $class = shift;
  29.     my %cnf;
  30.     if (@_ == 1) {
  31.     my $type = (ref($_[0]) eq "SCALAR") ? "doc" : "file";
  32.     %cnf = ($type => $_[0]);
  33.     }
  34.     else {
  35.     %cnf = @_;
  36.     }
  37.  
  38.     my $textify = delete $cnf{textify} || {img => "alt", applet => "alt"};
  39.  
  40.     my $self = $class->SUPER::new(%cnf, %ARGS) || return undef;
  41.  
  42.     $self->{textify} = $textify;
  43.     $self;
  44. }
  45.  
  46.  
  47. sub get_tag
  48. {
  49.     my $self = shift;
  50.     my $token;
  51.     while (1) {
  52.     $token = $self->get_token || return undef;
  53.     my $type = shift @$token;
  54.     next unless $type eq "S" || $type eq "E";
  55.     substr($token->[0], 0, 0) = "/" if $type eq "E";
  56.     return $token unless @_;
  57.     for (@_) {
  58.         return $token if $token->[0] eq $_;
  59.     }
  60.     }
  61. }
  62.  
  63.  
  64. sub _textify {
  65.     my($self, $token) = @_;
  66.     my $tag = $token->[1];
  67.     return undef unless exists $self->{textify}{$tag};
  68.  
  69.     my $alt = $self->{textify}{$tag};
  70.     my $text;
  71.     if (ref($alt)) {
  72.     $text = &$alt(@$token);
  73.     } else {
  74.     $text = $token->[2]{$alt || "alt"};
  75.     $text = "[\U$tag]" unless defined $text;
  76.     }
  77.     return $text;
  78. }
  79.  
  80.  
  81. sub get_text
  82. {
  83.     my $self = shift;
  84.     my @text;
  85.     while (my $token = $self->get_token) {
  86.     my $type = $token->[0];
  87.     if ($type eq "T") {
  88.         my $text = $token->[1];
  89.         decode_entities($text) unless $token->[2];
  90.         push(@text, $text);
  91.     } elsif ($type =~ /^[SE]$/) {
  92.         my $tag = $token->[1];
  93.         if ($type eq "S") {
  94.         if (defined(my $text = _textify($self, $token))) {
  95.             push(@text, $text);
  96.             next;
  97.         }
  98.         } else {
  99.         $tag = "/$tag";
  100.         }
  101.         if (!@_ || grep $_ eq $tag, @_) {
  102.          $self->unget_token($token);
  103.          last;
  104.         }
  105.         push(@text, " ")
  106.         if $tag eq "br" || !$HTML::Tagset::isPhraseMarkup{$token->[1]};
  107.     }
  108.     }
  109.     join("", @text);
  110. }
  111.  
  112.  
  113. sub get_trimmed_text
  114. {
  115.     my $self = shift;
  116.     my $text = $self->get_text(@_);
  117.     $text =~ s/^\s+//; $text =~ s/\s+$//; $text =~ s/\s+/ /g;
  118.     $text;
  119. }
  120.  
  121. sub get_phrase {
  122.     my $self = shift;
  123.     my @text;
  124.     while (my $token = $self->get_token) {
  125.     my $type = $token->[0];
  126.     if ($type eq "T") {
  127.         my $text = $token->[1];
  128.         decode_entities($text) unless $token->[2];
  129.         push(@text, $text);
  130.     } elsif ($type =~ /^[SE]$/) {
  131.         my $tag = $token->[1];
  132.         if ($type eq "S") {
  133.         if (defined(my $text = _textify($self, $token))) {
  134.             push(@text, $text);
  135.             next;
  136.         }
  137.         }
  138.         if (!$HTML::Tagset::isPhraseMarkup{$tag}) {
  139.         $self->unget_token($token);
  140.         last;
  141.         }
  142.         push(@text, " ") if $tag eq "br";
  143.     }
  144.     }
  145.     my $text = join("", @text);
  146.     $text =~ s/^\s+//; $text =~ s/\s+$//; $text =~ s/\s+/ /g;
  147.     $text;
  148. }
  149.  
  150. 1;
  151.  
  152.  
  153. __END__
  154.  
  155. =head1 NAME
  156.  
  157. HTML::TokeParser - Alternative HTML::Parser interface
  158.  
  159. =head1 SYNOPSIS
  160.  
  161.  require HTML::TokeParser;
  162.  $p = HTML::TokeParser->new("index.html") ||
  163.       die "Can't open: $!";
  164.  $p->empty_element_tags(1);  # configure its behaviour
  165.  
  166.  while (my $token = $p->get_token) {
  167.      #...
  168.  }
  169.  
  170. =head1 DESCRIPTION
  171.  
  172. The C<HTML::TokeParser> is an alternative interface to the
  173. C<HTML::Parser> class.  It is an C<HTML::PullParser> subclass with a
  174. predeclared set of token types.  If you wish the tokens to be reported
  175. differently you probably want to use the C<HTML::PullParser> directly.
  176.  
  177. The following methods are available:
  178.  
  179. =over 4
  180.  
  181. =item $p = HTML::TokeParser->new( $filename, %opt );
  182.  
  183. =item $p = HTML::TokeParser->new( $filehandle, %opt );
  184.  
  185. =item $p = HTML::TokeParser->new( \$document, %opt );
  186.  
  187. The object constructor argument is either a file name, a file handle
  188. object, or the complete document to be parsed.  Extra options can be
  189. provided as key/value pairs and are processed as documented by the base
  190. classes.
  191.  
  192. If the argument is a plain scalar, then it is taken as the name of a
  193. file to be opened and parsed.  If the file can't be opened for
  194. reading, then the constructor will return C<undef> and $! will tell
  195. you why it failed.
  196.  
  197. If the argument is a reference to a plain scalar, then this scalar is
  198. taken to be the literal document to parse.  The value of this
  199. scalar should not be changed before all tokens have been extracted.
  200.  
  201. Otherwise the argument is taken to be some object that the
  202. C<HTML::TokeParser> can read() from when it needs more data.  Typically
  203. it will be a filehandle of some kind.  The stream will be read() until
  204. EOF, but not closed.
  205.  
  206. A newly constructed C<HTML::TokeParser> differ from its base classes
  207. by having the C<unbroken_text> attribute enabled by default. See
  208. L<HTML::Parser> for a description of this and other attributes that
  209. influence how the document is parsed. It is often a good idea to enable
  210. C<empty_element_tags> behaviour.
  211.  
  212. Note that the parsing result will likely not be valid if raw undecoded
  213. UTF-8 is used as a source.  When parsing UTF-8 encoded files turn
  214. on UTF-8 decoding:
  215.  
  216.    open(my $fh, "<:utf8", "index.html") || die "Can't open 'index.html': $!";
  217.    my $p = HTML::TokeParser->new( $fh );
  218.    # ...
  219.  
  220. If a $filename is passed to the constructor the file will be opened in
  221. raw mode and the parsing result will only be valid if its content is
  222. Latin-1 or pure ASCII.
  223.  
  224. If parsing from an UTF-8 encoded string buffer decode it first:
  225.  
  226.    utf8::decode($document);
  227.    my $p = HTML::TokeParser->new( \$document );
  228.    # ...
  229.  
  230. =item $p->get_token
  231.  
  232. This method will return the next I<token> found in the HTML document,
  233. or C<undef> at the end of the document.  The token is returned as an
  234. array reference.  The first element of the array will be a string
  235. denoting the type of this token: "S" for start tag, "E" for end tag,
  236. "T" for text, "C" for comment, "D" for declaration, and "PI" for
  237. process instructions.  The rest of the token array depend on the type
  238. like this:
  239.  
  240.   ["S",  $tag, $attr, $attrseq, $text]
  241.   ["E",  $tag, $text]
  242.   ["T",  $text, $is_data]
  243.   ["C",  $text]
  244.   ["D",  $text]
  245.   ["PI", $token0, $text]
  246.  
  247. where $attr is a hash reference, $attrseq is an array reference and
  248. the rest are plain scalars.  The L<HTML::Parser/Argspec> explains the
  249. details.
  250.  
  251. =item $p->unget_token( @tokens )
  252.  
  253. If you find you have read too many tokens you can push them back,
  254. so that they are returned the next time $p->get_token is called.
  255.  
  256. =item $p->get_tag
  257.  
  258. =item $p->get_tag( @tags )
  259.  
  260. This method returns the next start or end tag (skipping any other
  261. tokens), or C<undef> if there are no more tags in the document.  If
  262. one or more arguments are given, then we skip tokens until one of the
  263. specified tag types is found.  For example:
  264.  
  265.    $p->get_tag("font", "/font");
  266.  
  267. will find the next start or end tag for a font-element.
  268.  
  269. The tag information is returned as an array reference in the same form
  270. as for $p->get_token above, but the type code (first element) is
  271. missing. A start tag will be returned like this:
  272.  
  273.   [$tag, $attr, $attrseq, $text]
  274.  
  275. The tagname of end tags are prefixed with "/", i.e. end tag is
  276. returned like this:
  277.  
  278.   ["/$tag", $text]
  279.  
  280. =item $p->get_text
  281.  
  282. =item $p->get_text( @endtags )
  283.  
  284. This method returns all text found at the current position. It will
  285. return a zero length string if the next token is not text. Any
  286. entities will be converted to their corresponding character.
  287.  
  288. If one or more arguments are given, then we return all text occurring
  289. before the first of the specified tags found. For example:
  290.  
  291.    $p->get_text("p", "br");
  292.  
  293. will return the text up to either a paragraph of linebreak element.
  294.  
  295. The text might span tags that should be I<textified>.  This is
  296. controlled by the $p->{textify} attribute, which is a hash that
  297. defines how certain tags can be treated as text.  If the name of a
  298. start tag matches a key in this hash then this tag is converted to
  299. text.  The hash value is used to specify which tag attribute to obtain
  300. the text from.  If this tag attribute is missing, then the upper case
  301. name of the tag enclosed in brackets is returned, e.g. "[IMG]".  The
  302. hash value can also be a subroutine reference.  In this case the
  303. routine is called with the start tag token content as its argument and
  304. the return value is treated as the text.
  305.  
  306. The default $p->{textify} value is:
  307.  
  308.   {img => "alt", applet => "alt"}
  309.  
  310. This means that <IMG> and <APPLET> tags are treated as text, and that
  311. the text to substitute can be found in the ALT attribute.
  312.  
  313. =item $p->get_trimmed_text
  314.  
  315. =item $p->get_trimmed_text( @endtags )
  316.  
  317. Same as $p->get_text above, but will collapse any sequences of white
  318. space to a single space character.  Leading and trailing white space is
  319. removed.
  320.  
  321. =item $p->get_phrase
  322.  
  323. This will return all text found at the current position ignoring any
  324. phrasal-level tags.  Text is extracted until the first non
  325. phrasal-level tag.  Textification of tags is the same as for
  326. get_text().  This method will collapse white space in the same way as
  327. get_trimmed_text() does.
  328.  
  329. The definition of <i>phrasal-level tags</i> is obtained from the
  330. HTML::Tagset module.
  331.  
  332. =back
  333.  
  334. =head1 EXAMPLES
  335.  
  336. This example extracts all links from a document.  It will print one
  337. line for each link, containing the URL and the textual description
  338. between the <A>...</A> tags:
  339.  
  340.   use HTML::TokeParser;
  341.   $p = HTML::TokeParser->new(shift||"index.html");
  342.  
  343.   while (my $token = $p->get_tag("a")) {
  344.       my $url = $token->[1]{href} || "-";
  345.       my $text = $p->get_trimmed_text("/a");
  346.       print "$url\t$text\n";
  347.   }
  348.  
  349. This example extract the <TITLE> from the document:
  350.  
  351.   use HTML::TokeParser;
  352.   $p = HTML::TokeParser->new(shift||"index.html");
  353.   if ($p->get_tag("title")) {
  354.       my $title = $p->get_trimmed_text;
  355.       print "Title: $title\n";
  356.   }
  357.  
  358. =head1 SEE ALSO
  359.  
  360. L<HTML::PullParser>, L<HTML::Parser>
  361.  
  362. =head1 COPYRIGHT
  363.  
  364. Copyright 1998-2005 Gisle Aas.
  365.  
  366. This library is free software; you can redistribute it and/or
  367. modify it under the same terms as Perl itself.
  368.  
  369. =cut
  370.