从HTML页面提取所有链接，排除特定表格中的链接

Question

我是Perl/HTML的新手。这里就是我想用WWW::Mechanize和HTML::TreeBuilder做：

为维基百科的每个化学元素的一页，我需要提取指向其他化学元素页面上的wiki的所有超链接并打印出每个独特的对这个格式：

Atomic_Number1 (Chemical Element Title1) -> Atomic_Number2 (Chemical Element Title2) 

唯一的问题是每个化学元素的页面（页面的右上角）都有一个迷你的元素周期表。所以这个小小的元素周期表就会使每个元素的结果都一样。我无法从表格中提取页面中的所有链接。

[注：我只能看着$elem == 6（碳）（@line 42）为便于调试。]

---

这里是我的代码：

#!/usr/bin/perl -w 

use strict; 
use warnings; 
use WWW::Mechanize; 
use HTML::TreeBuilder; 
my $mech = WWW::Mechanize->new(autocheck => 1); 

$mech = WWW::Mechanize->new(); 

my $table_url = "http://en.wikipedia.org/wiki/Periodic_table"; 

$mech->agent('Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_5; en-us)/
       AppleWebKit/533.17.8 (KHTML, like Gecko) Version/5.0.1 /
       Safari/533.17.8'); 

$mech->get($table_url); 

my $tree = HTML::TreeBuilder->new_from_content($mech->content); 
my %elem_set; 
my $atomic_num; 

## obtain a hash array of elements and corresponding titles and links 
foreach my $td ($tree->look_down(_tag => 'td')) { 

    # If there's no <a> in this <td>, then skip it: 
    my $a = $td->look_down(_tag => 'a') or next; 

    my $tdText = $td->as_text; 
    my $aText = $a->as_text; 

    if($tdText =~ m/^(\d+)\S+$/){ 
    if($1 <= 114){ #only investigate up to 114th element 
     $atomic_num = $1; 
    } 
    $elem_set{$atomic_num} = [$a->attr('title'), $a->attr('href')]; 
    } 
} 

## In each element's page. look for links to other elements in the set 
foreach my $elem (keys %elem_set) { 
    if($elem == 6){ 
    # reconstruct element url to ensure only fetch pages in English 
    my $elem_url = "http://en.wikipedia.org" . $elem_set{$elem}[1]; 
    $mech->get($elem_url); 

    ##################################################################### 
    ### need help here to exclude links from that mini periodic table ### 
    ##################################################################### 

    my @target_links = $mech->links(); 
    for my $link (@target_links) { 
     if($link->url =~ m/^\/(wiki)\/.+$/ && $link->text =~ m/^\w+$/){ 
     printf("%s, %s\n", $link->text, $link->url); 
     } 
    } 

    } 
} 

Answer 1

使用WWW ::找到链接前，Mechanize的update_html方法删除该表。这种方法允许你在$mech->content中做任何你想要的源代码。