Reguläre Ausdrücke - Klammerung und gespeicherte Werte

Wie Sie vorher gesehen haben, können Wiederholungen von Zeichen ermittelt werden, indem man die Zeichen in Klammern setzt. Diese Klammerung hat aber auch noch einen anderen Effekt: Die gefundenen Zeichen werden bestimmten Variablen zugewiesen! Diese Zuweisung ist eine sehr hilfreiche Einrichtung von Perl, wie Sie gleich sehen werden:

$t='<a href="test.htm">Test</a>';
$t=~ /(<a.*?>)(.*?)(<\/a>)/;
print "Linkcode: $1\nLinktext: $2\nEndocde: $3";

Ausgabe:
Linkcode: <a href="test.htm">
Linktext: Test
Endcode: </a>

Cool, finde ich! Ohne großes hin und her kann man einen HTML-Link in seine Einzelteile zerlegen.
Allerdings hat das Ganze noch so seine Schattenseiten:
Was, wenn gar kein Link im Text vorhanden ist? Also sollte man vielleicht eine entsprechende if-Bedingung einfügen.
Was, wenn der Verfasser des HTML-Codes Großbuchstaben verwendet hat? Also Groß / Kleinschreibung ignorieren.
Was, wenn ein Zeilenumbruch im Link ist? Also Zeilenumbruch löschen.

#Beispieltext;
$t=<<EOF;
<A HREF=
"test.htm">Test
</a>
EOF

#Code bereinigen, \n löschen
$t=~ s/\n//g;

$gefunden=$t=~ /(<a.*?>)(.*?)(<\/a>)/i;

if ($gefunden == 1){
print "Linkcode: $1\nLinktext: $2\nEndocde: $3";
} else {
print "Da war kein Link-Code!!!";
}

Was passiert hier?
Wie sie sehen, ist im Beispieltext mit Zeilenumbrüchen gearbeitet worden. Diese werden zuerst ersatzlos gelöscht.
Danach wird nach dem Linkcode geguckt. Wenn er vorhanden ist, werden die einzelnen Bestandteile $1 $2 und $3 zugewiesen UND $gefunden wird auf eins gesetzt.
Anhand dieser 1 kann man nun prüfen, ob der Linkcode vorhanden war oder nicht und entsprechende Meldungen ausgeben.

Wenn man solche RegEx schreibt, sollte man also immer auf alle Eventualitäten vorbereitet sein.

Übrigens:
Man hätte die Zeile
$gefunden=$t=~ /(<a.*?>)(.*?)(<\/a>)/i;
auch schreiben können
if ($t=~ /(<a.*?>)(.*?)(<\/a>)/i){ print ... usw.,
dann wäre gleich direkt verzweigt worden, aber dann hätte ich ja nicht den Trick mit dem $gefunden beschreiben können :)

Als kleines Schmankerl könnte man jetzt auch noch den Link aus dem $1 extrahieren:

$link=$1;
$link=~ /\"(.*?)\"/;
$link=$1;
print $link;

Ausgabe:
test.htm

Nun, funktionieren tuts ja, aber war sehr quick und sehr dirty. Denn was ist, wenn der Link so aussieht:
<A target="_blank" HREF="test.htm">
Dann haut die Geschichte nicht hin, weil dann als Ergebnis _blank herauskommt.
Was also tun? Klar: Das href abfragen:

$link=$1;
$link=~ / href\=\"(.*?)\"/i;
$link=$1;
print $link;

Nun klappt zumindest schon mal das. Das komplette Listing:

#Beispieltext;
$t=<<EOF;
<A HREF=
"test.htm">Test
</a>
EOF

#Code bereinigen, \n löschen
$t=~ s/\n//g;

$gefunden=$t=~ /(<a.*?>)(.*?)(<\/a>)/i;

if ($gefunden == 1){
$link=$1;
$link=~ / href\=\"(.*?)\"/i;
$link=$1;
print "Link zu: $link, Linktext: $2";
} else {
print "Da war kein Link-Code!!!";
}

Natürlich funktioniert das schon ganz gut, aber nur, wenn der HTML-Code so geschieben steht, wie es vom W3C vorgeschrieben ist.
Links extrahieren kann eine ziemlich mühselige Angelegenheit sein, dazu später aber mehr.

Thema: Perl RegEx

Der Beitrag "Reguläre Ausdrücke - Klammerung und gespeicherte Werte" wurde 7216 mal gelesen.