XML::LibXML で HTML の一部をパースする

XML::LibXML::parse_html_string で HTML の一部、たとえばブログ記事の本文のみとか、をパースしようとして無駄に苦戦してしまったのでメモ。 以下のような、DOCTYPE 宣言もなければ html/body 要素もないけど、ちゃんと（？）HTMLの一部ではあるものを XML::LibXML でパース、ごにょったあと出力したい。 #!/usr/bin/perl use strict; use warnings; use XML::LibXML; my $html =<<HTML; <div class="entry"> <p>test!!</p> </div> HTML my $parser = XML::LibXML->new; my $doc = $parser->parse_html_string($html); print $doc->toStringH

[ziguzagu]

libxml 2.6.27 + XML::LibXML 1.62 移行の組み合わせで encoding オプションが使える。/ うーむ、libxml 2.6.31 + XML::LibXML 1.69 でも実体参照に。なぞ。

[field_combat]

後で試してみる

[IMAKADO]

XML::LibXML/

[kits]

my $doc = $parser->parse_html_string($html, {encoding=>'utf-8'}); してから print $doc->find('//body/*')->shift->toString(0, 'utf-8'); とか。(文字列操作で前後を削るのはDOMらしくないので) / &hearts; は parse_html_string だけでも解釈できた。

[takeru-c]

これは！もしかしたらこれで問題解決できるかも