如何用Mojo::DOM解析表格提取指定列至数组？

没问题，我来帮你搞定这个表格解析的需求！Mojo::DOM处理HTML表格非常灵活，下面是具体的实现步骤和代码示例，完全贴合你的需求：

第一步：整理待解析的HTML表格 #

首先把你提供的表格代码整理成标准HTML格式（去掉多余的#标记）：

<table class="table table-hover">
  <thead>
    <th>Username</th>
    <th>Tip</th>
    <th>Last login</th>
    <th>No. comments</th>
  </thead>
  <tr>
    <td><a href="/user/user8">user8</a></td>
    <td>level2</td>
    <td class="dateTime">2019-09-26 00:00:00</td>
    <td>0</td>
  </tr>
  <tr>
    <td><a href="/user/user9">user9</a></td>
    <td>level2</td>
    <td class="dateTime">2019-09-26 00:00:00</td>
    <td>0</td>
  </tr>
  <tr>
    <td><a href="/user/user11">user11</a></td>
    <td>level2</td>
    <td class="dateTime">2019-09-26 00:00:00</td>
    <td>0</td>
  </tr>
  <tr>
    <td><a href="/user/user1">user1</a></td>
    <td>level1</td>
    <td class="dateTime">2020-02-28 10:43:09</td>
    <td>23</td>
  </tr>
  <tr>
    <td><a href="/user/user2">user2</a></td>
    <td>level1</td>
    <td class="dateTime">2020-02-28 10:43:10</td>
    <td>2</td>
  </tr>
  <tr>
    <td><a href="/user/user3">user3</a></td>
    <td>level1</td>
    <td class="dateTime">2020-02-28 10:43:10</td>
    <td>3</td>
  </tr>
  <tr>
    <td><a href="/user/user4">user4</a></td>
    <td>level1</td>
    <td class="dateTime">2020-02-28 10:43:11</td>
    <td>4</td>
  </tr>
  <tr>
    <td><a href="/user/user5">user5</a></td>
    <td>level1</td>
    <td class="dateTime">2020-02-28 10:43:11</td>
    <td>5</td>
  </tr>
</table>

第二步：编写Mojo::DOM解析代码 #

下面是完整的Perl代码，会把Username和No. comments列的数据分别提取到两个数组中：

use Mojo::DOM;

# 假设你的HTML内容存在这个变量里（也可以从文件/URL加载）
my $html = <<'HTML';
<table class="table table-hover">
  <thead>
    <th>Username</th>
    <th>Tip</th>
    <th>Last login</th>
    <th>No. comments</th>
  </thead>
  <tr>
    <td><a href="/user/user8">user8</a></td>
    <td>level2</td>
    <td class="dateTime">2019-09-26 00:00:00</td>
    <td>0</td>
  </tr>
  <tr>
    <td><a href="/user/user9">user9</a></td>
    <td>level2</td>
    <td class="dateTime">2019-09-26 00:00:00</td>
    <td>0</td>
  </tr>
  <tr>
    <td><a href="/user/user11">user11</a></td>
    <td>level2</td>
    <td class="dateTime">2019-09-26 00:00:00</td>
    <td>0</td>
  </tr>
  <tr>
    <td><a href="/user/user1">user1</a></td>
    <td>level1</td>
    <td class="dateTime">2020-02-28 10:43:09</td>
    <td>23</td>
  </tr>
  <tr>
    <td><a href="/user/user2">user2</a></td>
    <td>level1</td>
    <td class="dateTime">2020-02-28 10:43:10</td>
    <td>2</td>
  </tr>
  <tr>
    <td><a href="/user/user3">user3</a></td>
    <td>level1</td>
    <td class="dateTime">2020-02-28 10:43:10</td>
    <td>3</td>
  </tr>
  <tr>
    <td><a href="/user/user4">user4</a></td>
    <td>level1</td>
    <td class="dateTime">2020-02-28 10:43:11</td>
    <td>4</td>
  </tr>
  <tr>
    <td><a href="/user/user5">user5</a></td>
    <td>level1</td>
    <td class="dateTime">2020-02-28 10:43:11</td>
    <td>5</td>
  </tr>
</table>
HTML

# 初始化DOM解析器
my $dom = Mojo::DOM->new($html);

# 初始化两个空数组
my @usernames;
my @comment_counts;

# 遍历表格的每一行（跳过thead里的行，只处理tbody的tr）
$dom->find('tr')->each(sub {
  my $tr = shift;
  # 获取当前行的所有td元素
  my @tds = $tr->find('td')->each;
  # 只有当td数量符合时才处理（避免thead的行干扰）
  if (@tds == 4) {
    # 第一个td里的a标签文本就是Username
    push @usernames, $tds[0]->text;
    # 第四个td的文本是评论数，也可以转成整数：int($tds[3]->text)
    push @comment_counts, $tds[3]->text;
  }
});

# 测试输出结果
print "Usernames: @usernames\n";
print "Comment counts: @comment_counts\n";

代码解释 #

• Mojo::DOM->new($html)：把HTML字符串转换成DOM对象，方便后续查询
• $dom->find('tr')->each(...)：遍历所有元素
• @tds = $tr->find('td')->each：提取当前行的所有单元格
• 判断@tds ==4是为了跳过表头行（表头里是不是，所以不会被匹配到，不过加个判断更稳妥）
• $tds[0]->text：获取第一个单元格里的文本（也就是用户名链接的文本）
• $tds[3]->text：获取第四个单元格的文本（评论数）

额外提示 #

• 如果你的HTML是从网页上获取的，可以直接用Mojo::UserAgent加载页面，然后获取DOM，比如：

  use Mojo::UserAgent;
  my $ua = Mojo::UserAgent->new;
  my $dom = $ua->get('https://your-url.com')->res->dom;
  

• 如果需要把评论数转成整数，只需要把push @comment_counts, $tds[3]->text;改成push @comment_counts, int($tds[3]->text);就行

内容的提问来源于stack exchange，提问作者Samoila Andrei