質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.61%

  • Java

    13522questions

    Javaは、1995年にサン・マイクロシステムズが開発したプログラミング言語です。表記法はC言語に似ていますが、既存のプログラミング言語の短所を踏まえていちから設計されており、最初からオブジェクト指向性を備えてデザインされています。セキュリティ面が強力であることや、ネットワーク環境での利用に向いていることが特徴です。Javaで作られたソフトウェアは基本的にいかなるプラットフォームでも作動します。

  • Android Studio

    3620questions

    Android Studioは、 Google社によって開発された、 Androidのネイティブアプリケーション開発に特化した統合開発ツールです。

  • 正規表現

    778questions

    正規表現とは特定の文字列によるパターンマッチングを行う際に用いられる宣言型プログラミングです。

AndroidアプリのJavaの正規表現でHTMLソースから住所を抜き出したい

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 617

W.Taka

score 11

前提・実現したいこと

今目的のページのURLからHTMLソースを取得し、そこからそのページに書かれている住所の取得をしたく奮闘しているところです。
目的のページは各自治体の避難場所の住所が記載されているページから住所を抜き出したいと考えています。
住所を抜き出す方法として、正規表現を用いているのですが、いまいちうまく取得できません。
重複して取得されたり、必要ない部分まで取得されます。
避難場所の記載方法には大きく分かれて、住所を記載しているか、名称を記載しているかに分かれます。
それをカバーするために、住所を取得するパターンと名称を取得するパターンで分けています。
名称で取得するパターンでは、避難場所に指定されやすい「大学」「公園」などのキーワードをパターンに指定して取得しています。
現状のマッチパターンは下のとおりです。

String pattern2 = ">.*?(.+?[都道府県])?([ァ-ン一-龥].+?郡.+?[町村]|[ァ-ン一-龥].+?市.+?区|[ァ-ン一-龥].*?[市区町村])(.+)(\\d+|.+?丁目)(-\\d+|(.+?番地|.+?番))(.+)(-\\d+|.+?号)?<";

String pattern1 = "(<.*?>|[0-90-9]|.|-|.|ー).*?(.*?公園|[ァ-ン一-龥]*?大学|[ァ-ン一-龥]*?小学校|[ァ-ン一-龥]*?中学校|[ァ-ン一-龥]*?高校|[ァ-ン一-龥]*?高等学校|[ァ-ン一-龥]*?施設|[ァ-ン一-龥]*?体育館)";

このパターンで、

while (m.find()){
Log.d("test",m.group(2));
}

このように現状取得しています。

発生している問題・エラーメッセージ

現状の問題は、住所のほうでの取得はまず、住所自体がうまく取れ無かったり、必要の無い文字が入っていたりします。
名所の方では重複して全ての住所が2.3回取得されてしまいます。

きれいに取得する方法や、パターンがあればぜひお教え願いたいです。
よろしくお願いいたします。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

回答 1

checkベストアンサー

0

前処理としてHTMLタグを除去して、本文から住所を抜き出した方が綺麗にできると思いますね。

    static final String regex = ".*?(([ァ-ン一-龥]+?[都道府県])?([ァ-ン一-龥]+?郡[ァ-ン一-龥]+?[町村]|[ァ-ン一-龥]+?市[ァ-ン一-龥]+?区|[ァ-ン一-龥]+?[市区町村])(.*?)(\\d+|.+?丁目)(-\\d+|(.+?番地|.+?番))(.*?)(-\\d+|.+?号)?|[ァ-ン一-龥]*?公園|[ァ-ン一-龥]*?大学|[ァ-ン一-龥]*?小学校|[ァ-ン一-龥]*?中学校|[ァ-ン一-龥]*?高校|[ァ-ン一-龥]*?高等学校|[ァ-ン一-龥]*?施設|[ァ-ン一-龥]*?体育館)";

    static final Pattern pattern = Pattern.compile(regex);

    static ArrayList<String> extractAddressesFromHtml(String html) {

        ArrayList<String> addressList = new ArrayList<>();

        Matcher matcher = pattern.matcher(html);

        while (matcher.find()) {
            String address = matcher.group(1);
            addressList.add(address);
        }

        return addressList;
    }

    static void print(List<String> addressList) {
        if (addressList.isEmpty()) {
            System.err.println("No Addresses");
            return;
        }

        for (String address : addressList) {
            System.out.println(address);
        }
    }

    public static void main(String[] args) {

        // HTMLタグ除去後の文字列を渡す。
        print(extractAddressesFromHtml("連光寺小学校〒160-8484東京都新宿区歌舞伎町1-4-1 所在地:多摩市桜ヶ丘1-17-7 東京都多摩市関戸6-12-1"));
    }


HTMLタグ除去も同じように正規表現を用いてできます。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2017/01/10 19:41

    まずタグを削除するという考えが無かったです!試してみますありがとうございます!

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.61%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る

  • Java

    13522questions

    Javaは、1995年にサン・マイクロシステムズが開発したプログラミング言語です。表記法はC言語に似ていますが、既存のプログラミング言語の短所を踏まえていちから設計されており、最初からオブジェクト指向性を備えてデザインされています。セキュリティ面が強力であることや、ネットワーク環境での利用に向いていることが特徴です。Javaで作られたソフトウェアは基本的にいかなるプラットフォームでも作動します。

  • Android Studio

    3620questions

    Android Studioは、 Google社によって開発された、 Androidのネイティブアプリケーション開発に特化した統合開発ツールです。

  • 正規表現

    778questions

    正規表現とは特定の文字列によるパターンマッチングを行う際に用いられる宣言型プログラミングです。