Perl：HTTP::微小删除留下损坏的锚标记

我编写了一个脚本，该脚本收集从数据库读取的缓冲区内的所有 URL，检查该页面是否仍然存在，并使用 HTTP::Tiny 从缓冲区中删除 URL（如果该 URL 无法访问或返回无效）。

问题是 HTTP::Tiny 删除左锚标记，例如此处无效的文本。这些链接已突出显示，但显然无法单击它们。这是 HTTP::Tiny delete 的缺陷还是我使用错误？

my $html_full = $ref->{'fulltext'}; # $ref is a pointer to the database
my $dom_buff = Mojo::DOM->new($html_buff);
foreach my $ele ($dom_buff->find('a[href]')->each) {
  my $url = $ele->attr('href');
  my $response = HTTP::Tiny->new(default_headers => { Accept => '*/*' })->get($url);
  if ($response->{success}) {
     $success_fulltext_urls{$ref->{'id'}}{$url} = 1;
  } else {
     delete $ele->attr->{href};
     $html_buff = $dom_buff;
     $html_buff =~ s{<a>(.*?)</a>}{$1}sg;
     my $sql      = "not described here";
     write_sql($dbh,$sql,$ref->{'id'});
  }
}

这是经过上面代码处理后的示例字符串。

This week, perhaps the most interesting articles include &quot;<a>Finding \r\n  that Windows is superior to Linux is biased</a>,&quot; &quot;<a href=\"http://www.example.com/content/view/118693\">How \r\n  to set up DNS for Linux VPNs</a>,&quot; and &quot;<a href=\"http://www.example.com/content/view/118664 \">Writing \r\n  an Incident Handling and Recovery Plan</a>.&quot;

请注意，字符串“Finding \r\n that Windows is better to Linux is有偏见”曾经是带有 href 的有效链接，但删除函数将所有这些内容删除并保留了锚标记。

这是预期的效果吗？也许我应该在 HTTP::Tiny 中使用不同的库或函数？

你误解了什么delete做。您的代码所做的就是删除hrefMojo::DOM 表示中该 DOM 元素的属性。它与 HTTP::Tiny 无关。

你真正想做的是call ->strip https://metacpan.org/pod/Mojo::DOM#strip on the <a>元素，这会将其从 DOM 中删除，但保持其内容不变。

既然您已经在使用 Mojo::DOM，您也可以使用Mojo::用户代理 https://metacpan.org/pod/Mojo::UserAgent。无需引入另一个 UA 模块。无论如何，您已经安装了整个 Mojolicious。

您可以使用HEAD 请求 https://developer.mozilla.org/en-US/docs/Web/HTTP/Methods/HEAD而不是检查资源是否可用的 GET 请求。无需下载整个内容，标头就足够了。

您的代码（没有数据库部分）可以简化为这样。

use strict;
use warnings;
use Mojo::DOM;
use Mojo::UserAgent;

my $ua = Mojo::UserAgent->new;
my $dom = Mojo::DOM->new(<DATA>);

foreach my $element ($dom->find('a[href]')->each) {
    $element->strip
        unless $ua->head($element->attr('href'))->res->is_success;
}

print $dom;

__DATA__
This <a href="http://example.org">link works</a>.
This <a href="http://httpstat.us/404">one does not</a>!

这输出：

This <a href="http://example.org">link works</a>. This one does not!