PHPの正規表現で、改行を含む全ての文字列をいれた抽出で、その中で最短一致を抽出したい。

Question

表題の通りの質問をさせて頂きたいのですが、その表現が曖昧で具体的でないと思いますので、
実際に抽出したい例を以下に記載致します。

<div style="width:500px" class="box">
<div class="title" style="background:blue" id="site1"><a href='http://test.com_1' target="_blank">テスト1</a></div></div>
 
 
<div style="width:500px" class="box">
<div class="title" style="background:blue" id="site2"><a href='http://test.com_2' target="_blank">テスト2</a></div></div>
 
 
<div style="width:500px" class="box">
<div class="title" style="background:blue" id="site3"><a href='http://test.com_3' target="_blank">テスト3</a></div></div>
 
 
<div style="width:500px" class="box">
<div class="title" style="background:blue" id="site4"><a href='http://test.com_4' target="_blank">テスト4</a></div></div>

 
<div style="width:500px" class="box">
<div class="title" style="background:blue" id="site5"><a href='http://test.com_5' target="_blank">テスト5</a></div></div>

このようなhtmlの中から、4つ目の群、　idで言うsite4　http://test.com_4の部分、

<div style="width:500px" class="box">
<div class="title" style="background:blue" id="site4"><a href='http://test.com_4' target="_blank">テスト4</a></div></div>

を抽出したいのですが、うまく出来ずにいるので質問させて頂きます。

デリミタは#としてみました。

$pattern = '#<div style="width:500px" class="box">(.*)http://test.com_4(.*)</div></div>#';
preg_match($pattern,$kijihtmltag,$match);

こちらでマッチはしませんでした。
$patternを以下に変えると

$pattern = '#<div class="title"(.*)http://test.com_4(.*)</div></div>#';

<div class="title" style="background:blue" id="site4"><a href='http://test.com_4' target="_blank">テスト4</a></div></div>

この部分は抽出に成功しました。

ここは抽出できるのに、<div style="width:500px"ここからは抽出できないのはなぜかと思い調べてみると、　.*　これが改行は含まないという事を確認して、
[\s\S]*　これだと改行を含んだ全ての文字となるとの事で、

$pattern = '#<div class="title"([\s\S]*)http://test.com_4(.*)</div></div>#';

としてみた所、抽出結果は、

<div style="width:500px" class="box">～～～～～～～～中略～～～
～～中略～
～～中略～
～～中略～
～～中略～
～～中略～～～～～中略～～～中略～～～中略～～～ テスト4</a></div></div>

上から下まで、４つの群を全て抽出してしまった次第です。
適当に思いつくがままに、
([\s\S]*)　

という部分を、　
([\s\S]*?)　
と変更してみても
4つの群を全て抽出してしまいます。

ので、大体表題のような具合の質問になりますが、

改行を含む文字列を間に挟み、
その前にいくつも同じ形式（例：ここでは　<div style="width:500px"　）があったとしても
そこの最短での（ここで言うと一番近いところ）の部分を抽出したい、となりますが、

正しい抽出のパターンを教えて頂きたいので宜しくお願い致します。

$patternには、　http://test.com_4を含み、その前半部分を正しく変化させる事で、うまくマッチさせる方法をお教え頂きたいです、宜しくお願い致します。

Comments

[yambejp]

４つめの群のclassが抽出前と後でちがう

[gugupoo]

すみませんでした。class="box"　に修正しました。

Answer 1

これは正規表現でやることではありません。
またグルーピングするなら同じclassを付加するとか
グループ自体をなにかでラップするとかしないと選びようがありません

Comments

[yambejp]

タグなど入れ子処理は正規表現の最も不得意とするものの１つです。
DOMDocumentなどで処理するのが妥当です

[gugupoo]

yambejp様
有難うございます。
ただ、記載させて頂いた通り、　<div class="title" 　と、改行の後からなら問題なく抽出できるのですが、改行を挟むと、正しく抽出するのは難しくなる、という所でしょうか。。　自分も引き続いてマッチするパターンを探ってはみますが…。

[yambejp]

「４番目の」的な部分が抜きだしづらいです。
正規表現の場合入れ子なのか並列なのかが判断しづらいからです。
（複雑なやり方をすればできますが・・・）

</div></div>がそのグループの終わりだという保証がありません

[gugupoo]

なるほど、左様でございますか。有難うございます。
とりあえず自分も引き続き、色々なパターンを一応模索して続けてはみます。

[yambejp]

とりあえず例示のものに限定していいならこれで抜けますが・・・
$pattern = '#<div style="width:500px" class="box">[\r\n]*(.*?)http://test.com_4(.*)</div></div>#';

[gugupoo]

yambejp様
有難うございました！　限定というおっしゃる意味がよく分かりました。
暫定的というか、　class="box"のあたりの変化によっては抽出できない可能性があり、
本当の意味で色々応用の効く満足の行くものではないかもしれないが、という事だと思われますが、

ただこれで、少し今いくつか、test.com_3ですとか他も色々やってみて、
今はこの限定的なものを抽出する方法の正規表現では成功をして満足をえる結果ができました。

class="box"部分や、改行の個数その他によっては、
正規表現をまた作り直さなくはいけないという事だと予想致しますが、
今はこれで満足となりますので、他方法も勉強していきたいと思います。
有難うございました！

[yambejp]

HTMLはどこで改行がはいるかなどゆるいので文字列として抜き出すのが結構
むづかしいんですよ。DOMで管理するのが妥当です。
PHPだけではなくJSなんかだと特にその傾向にあります

Answer 2

デリミタは#としてみました。

と書かれている最初のパターン、"box4"となるべきところが、"box"になってます。

あとは、.が改行にもマッチするようにs修飾子を付けて、

$pattern = '#<div style="width:500px" class="box4">(.*?)http://test.com_4(.*?)</div></div>#s';

Comments

[gugupoo]

otn様
有難うございます。
そして私の記載ミスで申しわけありませんが、修正済ではありますが、
class="box4" の部分、こちらはbox1もbox2も最初の表記部分は　全てboxと修正致しました。

その上で、
$pattern = '#<div style="width:500px" class="box">(.*?)http://test.com_4(.*?)</div></div>#s';

とさせて頂くと、今、また試させて頂きましたが、
このhttp://test.com_4　のかたまりのみでなく、
1つめから4つ目まで全て抽出してしまいました；；　すみませんいかがすればよろしいでしょうか・・