html内指定部分の正規表現を教えてください。

Question

正規表現を教えてください。

sample.html

<h1><a href="http://www.exmple.com">text</a></h1>

ＵＲＬ部分はかなりバリエーションがありますがすべてこの形式となっており

<h1><a href="様々なURL">text</a></h1>

<h1><a href="様々なURL">text</a></h1>

text部分は大文字小文字半角全角英数字を指定したいです。

大文字小文字全角半角英数字を示す正規表現

[a-zA-Zａ-ｚＡ-Ｚ0-9０-９]

イメージ1

sample.html

<h1><a href="様々なURL">大文字小文字全角半角英数字</a></h1>

イメージ2

sample.html

<h1><a href="様々なURL">[a-zA-Zａ-ｚＡ-Ｚ0-9０-９]</a></h1>

この範囲と指定文字の組み合わせを考えたらパニックになってしまいました。
どなたかわかる方、よろしくお願いします。

Answer 1

$ sed -e 's/.*>\([^<]\+\)<.*/\1/'

ではダメでしょうか?

$ echo '<h1><a href="様々なURL">text</a></h1>' | sed -e 's/.*>\([^<]\+\)<.*/\1/'
text
$ echo '<h1><a href="様々なURL">大文字小文字全角半角英数字</a></h1>' | sed -e 's/.*>\([^<]\+\)<.*/\1/'
大文字小文字全角半角英数字
$ echo '<h1><a href="様々なURL">[a-zA-Zａ-ｚＡ-Ｚ0-9０-９]</a></h1>' | sed -e 's/.*>\([^<]\+\)<.*/\1/'
[a-zA-Zａ-ｚＡ-Ｚ0-9０-９]

外してたらごめんなさい。

Answer 2

昨日のご質問の関連質問かと思います。わざわざ質問を分けなくてもよかったと思います。というか、こまぎれ質問をなさると質問の背景が伝わりにくくなり、いい回答をもらえませんよ。

で、これまでのご質問からすると、タグの部分は変更せず、タグ以外の部分を置換・削除などしたいのですよね。
すると、タグの部分は、中身がどうなっているかは気にしなくていいですね。「『<』ではじまり、『>』でないものが続き、『>』でおわる」だけでいいはずです。

<[^>][^>]*>

タグ以外の部分は、「『<』や『>』でないもの」ですね。

[^<>]*

または

[^<>][^<>]*

さて、タグが入れ子になったりしているケースまで考えだすと複雑ですが、発想を変えて、HTMLは次のようになっていると考えられませんか。

タグでない部分<タグの部分>タグでない部分 ... <タグの部分>タグでない部分

「タグでない部分」になにもない場合もあります。その場合はタグが隣接しているということですね。

ですから、処理としては、次の2種類に集約されます。

(1) 「タグでない部分<タグの部分>」の正規表現にマッチさせ、マッチしたすべての個所の「タグでない部分」の処理をする。

:loop
s/[0-9a-zA-Z０-９ａ-ｚＡ-Ｚ]\([^<>]*\)\(<[^>][^>]*>\)/\1\2/g
tloop

(2) 最後の「タグでない部分」の処理をする。

:loop2
s/[0-9a-zA-Z０-９ａ-ｚＡ-Ｚ]\([^<>]*\)$/\1/
t loop2

• どちらも、タグの部分とタグでない部分をグループ化して、置換結果に使っているのがおわかりでしょうか。

• なお、「$」は「改行の直前」、つまり行末を意味します。厳密にするならGNU拡張仕様の「'」(文字列の末尾) を使ったほうがいいかもしれません。

Answer 3

[a-zA-Zａ-ｚＡ-Ｚ0-9０-９]の部分は1文字にしかマッチしませんので量指定子(1文字以上であれば+、0文字以上であれば*等)と組み合わせると良いでしょう。

「様々なURL」の箇所については、自分なら「ダブルクォーテーションでは無い文字の1文字以上の繰り返し」などのパターンにするかも知れません。