nlog(n): HTML::Treebuilder で PHP スクリプトを含む HTML 文書を処理したい

Sat April 12, 2008

HTML::Treebuilder で PHP スクリプトを含む HTML 文書を処理したい

PHP スクリプトが含まれている HTML 文書を HTML::TreeBuilder で処理する際のメソッドについてまとめる。PHP スクリプトには手を加えない。

■ ■ ■

HTML を処理するのに便利な HTML::TreeBuilder ではあるが，HTML 文書の中に PHP スクリプトが埋め込まれているときは注意が必要である。何も指定しなければ，PHP スクリプトは無視され，スクリプト部分は出力されない。出力させるには，HTML をパースする前に，呪文を唱える必要がある。次のコードの強調部分である。

#!/usr/bin/perl

use strict;
use HTML::TreeBuilder;

my $html = <<'END';
I like pie.
<?php
print "I like Potatoes and Hot Pickles.";
?>
END

my $tree = HTML::TreeBuilder->new();
$tree->handler(process => sub {$_[0]->process(substr($_[1], 2, -1));}, 'self, text');
$tree->store_pis(1);
$tree->xml_pic(1);
$tree->parse($html);
$tree->eof;

print $tree->as_HTML('<>&', ' ', {});

「$tree->store_pis(1);」とすることにより，<?php ... > が process として認識され，処理されるようになる (HTML::TreeBuilder)。しかし，強調部分のうち，「$tree->store_pis(1);」だけを残し，他の2行をコメントアウトして実行すると，次の結果となる。

これはヒドイ。何が起こっているかというと，<?php でスクリプトが始まったことを認識したが，print 文の中の タグの「>」をスクリプトの終わりとして認識してしまったため，対になっていない「」が削除され，余った「?>」が安全でないとされて「?>」に変換されてしまっているのだ。

こうなってしまった原因は「>」がスクリプトの終了文字列だと認識されてしまったことにある。正しく「?>」を終了文字列だと認識させるには，「$tree->xml_pic(1);」の指定をすればよい。この指定を追加して実行すると，次の結果となる。

PHP スクリプト内部は正しく出力されるようになった。しかし，終了文字列が「>」で出力されてしまっている。これでは PHP のエンジンが正しくパースしてくれない。そこで，正しく「?>」で出力させるために，「$tree->handler(process => sub {$_[0]->process(substr($_[1], 2, -1));}, 'self, text');」の指定を行う。すると，メデタク次の出力が得られる。

これで，HTML に PHP スクリプトのコードが埋め込まれていても，正しくパースすることができるようになった。注意としては，PHP のコードの中のコメント行に「?>」を含めてはいけないということである。含まれている場合，HTML::TreeBuilder だけでなく PHP も混乱する。PHP も正しくパースしないのである。

HTML::TreeBuilder で構文木を作って操作する場合，次の3つのドキュメントに目を通さなければならず，量が多くてヘコタレル。

ドキュメントには例が少ないのが難点。PerlAndLWP に優れた例題がある。

HTML::TreeBuilder にはかなり嵌った。そのお陰で，Perl のことがだんだん分かってきた。

nlog(n) - ああああプラグインもバージョンアップしておこう (使うことはないけどさ)。

Posted by n at 2008-04-12 23:55 | Edit | Comments (0) | Trackback(0)

Trackbacks

「手違いで複数トラックバックを送ってしまった!」という場合でも気にしないでください (重複分はこちらで勝手に削除させていただきます)
タイムアウトエラーは，こちらのサーバの処理能力不足が原因です (詳細はトラックバック送信時のエラーをご覧ください)
トラックバックする記事には，この記事へのリンクを含めてください(詳細は迷惑トラックバック対策をご覧ください)

Comments