しゃのんあどべんとかれんだー 19 日目 (Perl 5 で HTML5 パースしましょ)

この記事は、しゃのんあどべんとかれんだー 19 日目の記事です。
![Perl5](http://4.bp.blogspot.com/-cjxXv3CEXuk/VopzejZL81I/AAAAAAAAAWQ/DcF-vzyyjO4/s200/perl.png)

どうも、munepom (`@__munepom__`) です。  
今回は、Perl 5 の HTML パーサに関するおはなし その 2 です。

# HTML5 もパースしたいです。
そんなとき、ありますよね。  
HTML を解析して、どこかに別のタグを埋め込みたいこと、ありますよね。  
トラッキングタグなどやビーコンの類などを、動的に埋め込んだりする際に重宝します。

# 今回は、HTML5 もパースできるパーサのご紹介です。
HTML::TagParser や HTML::HTML5::Parser を使うと、HTML5 のタグ指定方法でも情報を参照できます。
```
#!/usr/bin/env perl

use strict;
use warnings;
use utf8;

use LWP::UserAgent;
use Encode;
use HTML::TagParser;
use HTML::HTML5::Parser;
use XML::LibXML::QuerySelector;

use feature qw/say/;
use experimental 'signatures';

### fields
my $url = 'http://shanon.co.jp/';

### main
my $body = get_document($url);
process_with_tagparser($body);
process_with_html5($body);

### sub
sub get_document ($url) {
    my $ua = LWP::UserAgent->new;
    $ua->agent('Shanon');
    my $res = $ua->get($url);
    my $body = $res->decoded_content;
}

# HTML::TagParser 処理
sub process_with_tagparser ($body) {
    # parse
    my $doc_tagparser = HTML::TagParser->new( encode('utf-8', $body) );
    my @list_tagparser = $doc_tagparser->getElementsByTagName('footer');

# print
    foreach (@list_tagparser) {
        say $_->innerText();
    }
}

# HTML::HTML5::Parser 処理
sub process_with_html5 ($body) {
    # parse
    my $parser = HTML::HTML5::Parser->new;
    my $document = $parser->parse_string(
      encode('utf-8', $body),
      { encoding => 'utf-8' }
    );

# javascript like に書けます
    my @list = $document->querySelectorAll('footer');

# print
    foreach (@list) {
      say encode_utf8($_->textContent);
      say encode_utf8($_->getAttribute('href'));
    }
}
```

HTML::HTML5::Parser と XML::LibXML::QuerySelector の組み合わせですと、JavaScript でよく使う関数名が定義されていますので、より直感的に情報を取得できるかと思います。  
(XML::LibXML compatible なメソッドが使えると、cpan サイトには書かれていますね。)

#### 2 モジュールのちょっとした違いについて
HTML::TagParser では、"&" や "©" などの文字は、HTML の数値エンティティ参照に変換されていました。(& = ＆＃３８；  © = ＆＃１６９；)  
HTML::HTML5::Parser では、上記文字は実際の文字で表示されました。  
利用する際は、違いを意識すると良いのかもしれませんね。

HTML5 もゴリゴリ解析して、レッツ Enjoy! (・ω・)ノ

SHANON Engineer's Blog

しゃのんあどべんとかれんだー 19 日目 (Perl 5 で HTML5 パースしましょ)

SHANON　Engineer's　Blog