既存のhtmlファイルから
タイトルタグ内の文字列である文字列Ａを抽出して
それをｈ1タグとして置換するにはどうしたらいいでしょうか。

bashのsedでワンライナーが理想ですが
シェルスプリクトでもphpでもokです。

初歩的なことなのかもしれませんが
どなたか教えてください。

わかっていること（文章での理解）

1.文字列Ａを抽出。
2.改行して<h1></h1>を設置
3.<h1></h1>内に文字列Ａを挿入。

bash
1sed 's|<title>文字列Ａ</title>|<title>文字列Ａ</title>\n<h1>文字列Ａ</h1>|g'
2

わかっていないこと

任意の文字列である文字列Ａの正規表現。
抽出した文字列Ａを格納し置換時に呼び出す表現。

html
1Before.html
2
3<html>
4<title>文字列Ａ</title>
5</html>
6

html
1after.html
2
3<html>
4<title>文字列Ａ</title> ;文字列Ａを抽出
5<h1>文字列Ａ</h1>      ;ｈ1タグを追加して文字列Ａを置換
6</html>

以上です。
よろしくお願い致します。

行動規範の内容に同意します

回答4件

PHPを使えるなら、以下のparserを利用すれば、TITLEタグだけじゃなく、どんなタグにも対応可能です。
PHP Simple HTML DOM Parser Manual

投稿2016/09/01 03:09

JinwonKim

総合スコア312

こんな感じでどうでしょう？

PHP
1$html=<<<eof
2<html>
3<test>
4<title>文字列Ａ</title>
5<test>
6</html>
7
8eof;
9$pattern="/<(title)>(.*?)<\/\\1>/i";
10if(preg_match($pattern,$html,$m)){
11  $html=str_replace($m[0],$m[0].PHP_EOL."<h1>".$m[2]."</h1>",$html);
12}
13print nl2br(htmlspecialchars($html));
14

#修正
preg_replace()で十分でした

php
1$html=<<<eof
2<html>
3<test>
4<title>文字列Ａ</title>
5<test>
6</html>
7
8eof;
9$pattern="/<(title)>(.*?)<\/\\1>/i";
10$replacement="\\0".PHP_EOL."<h1>\\2</h1>";
11$html=preg_replace($pattern,$replacement,$html);
12print nl2br(htmlspecialchars($html));

投稿2016/09/01 00:38

編集2016/09/01 02:02

yambejp

総合スコア117669

ベストアンサー

概要

移植性ならsedよりもperlの方が上で，しかも非常に高機能なので私はこれをおすすめしておきます．

環境に依存しないワンライナーを書くならsedよりperlの方がいい - Qiita

何通りか書いておきます．

bash
1perl -0pe 's/<title>(.*?)<\/title>\K/\n<h1>$1<\/h1>/s' < before.html > after.html

bash
1perl -0pe 's/<title>([^<]*)<\/title>\K/\n<h1>$1<\/h1>/' < before.html > after.html

bash
1perl -0pe 's/<title>([^<]*+)<\/title>\K/\n<h1>$1<\/h1>/' < before.html > after.html

解説

-0オプション: 行単位ではなくEOFがくるまでの入力全体に一気にマッチさせる
-pオプション: 結果をprintする
-eオプション: 引数をコードとして評価

\K言明:
サブパターンは保持しつつ，マッチング開始位置をそこにリセットする．
これを末尾に持ってくると**「マッチした場所に挿入」**という処理が無駄な置換をすることなく実現できる．

(.*?):
任意の文字の0回以上の繰り返しに対する最短マッチ．
sフラグを入れないと改行文字が対象にならない点に注意してください．
1文字マッチさせるごとに「後ろに</title>があるか？」をチェックするのであまり効率は良くないです．

[^<]*:
<以外の0回以上の繰り返しに対する最長マッチ．
文字種を限定することで最長マッチに安心してかけられます．
ただしこれはまだ不必要にバックトラッキングを起こす可能性があります．
(Perlの正規表現エンジンはかなり賢いので最適化でうまいことやってくれる可能性もあります)

[^<]*+:
<以外の0回以上の繰り返しに対する最長マッチ．
文字種を限定することで最長マッチに安心してかけられます．
こちらはバックトラッキングの抑制を明示しており，無駄が全く無いことが保証されます．

また普通はあり得ませんが，もし<title></title>が複数回現れる場合はgフラグを有効にすることで対処します．

投稿2016/08/31 22:59

編集2016/09/01 02:39

mpyw

総合スコア5223

mpyw

2016/08/31 23:15

無駄がどうこうあるといえども，HTMLが少量であれば人間で確認できる時間差は現れないので，見やすいものを採用してもらって構いません（適当）

mpyw

2016/09/01 02:46

ちなみに今回使ったPerl正規表現に特徴的な機能は，PHPが持つPCRE正規表現でも全く同じように使えます． php -r 'echo preg_replace( "@<title>([^<]*+)</title>\K@", "\n<h1>$1</h1>", stream_get_contents(STDIN) );' < before.html > after.html

mpyw

2016/09/01 07:02

Simple HTML DOM Parser が紹介されていますが，これは全てがユーザランドの実装であり，それらは正規表現を使いまくっているので効率があまり良くないです．この程度ならネイティブDOMで十分だと思います． http://qiita.com/mpyw/items/c0312271819baee09132

seel

2016/09/03 16:14

詳しくわかりやすく教えていただき、ありがとうございました。

行動規範の内容に同意します

こんな感じでどうでしょう？

bash
1$ cat Before.html
2<html>
3<title>文字列Ａ</title>
4</html>
5$
6$ sed 's|<title>\([^<]*\)</title>|\0\n<h1>\1</h1>|' Before.html >after.html
7$
8$ cat after.html
9<html>
10<title>文字列Ａ</title>
11<h1>文字列Ａ</h1>
12</html>
13$