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

90.48%

  • Ruby

    7975questions

    Rubyはプログラミング言語のひとつで、オープンソース、オブジェクト指向のプログラミング開発に対応しています。

  • 正規表現

    814questions

    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。

rubyでhtmlのタグ内にあるclassの文字列を削除する方法を教えてください

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 1,411

tomato360

score 64

Rubyを用いてhtmlのタグが書かれている文書を整形するとき、タグのclass名にNGワードが入っていたらそれを削除する機能をつけたいのですが、どういう正規表現で削除すればいいのかわかりませんでした。

文書には以下のようなタグが含まれているとします。

<div class="XXX ngword-1"></div>
<div class="ngword-2 XXX"></div>
<div class="XXX ngword-1 ngword-2"></div>
この文書を
<div class="XXX"></div>
<div class="XXX"></div>
<div class="XXX"></div>
のようにngword-1とngword-2を削除したいと思っています。

正規表現でやればよいと考えてはいますが、もしそれ以外の方法で可能であればそれを教えていただけると幸いです。またNGワードの削除が目的なので、最悪スペースが残っていてもかまいません。

よろしくお願いします。
  • 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。

回答 2

checkベストアンサー

0

正規表現で手を付けようとしましたが、諦めました。非常に面倒だからです。
正規表現を作る方針をこのページの HTML を例にしてみます。
このようなタグがありました。

<button title="クリップすると、知りたい質問を追いかけることができます。" class="btnUnderstandWant js-addClip mod-icn btnAddClip" value="1"
                        type="image" key="7140">クリップ</button>

というタグがありました。
正規表現を作る方針ですが、「タグ内の class 属性内の NG ワードを削除する」ので、まずタグを見つける正規表現を作ります。そしてその中で class 属性を見つけます。さらに class 属性の内容を抜き出します。
HTML ですから class 属性の位置はタグ内のどこでも任意に決められますのでそれまでの部分の属性名・属性値は飛ばさなきゃいけませんし、その部分には漢字を含めハイフン・コロン・セミコロン・ピリオドなどを含め色々な文字が含まれています。また class 属性の属性値を指定する文字はシングルクオートであったりダブルクオートであったりする可能性があります。そしてシングルクオートやダブルクオートがエスケープされていたりしたら、もう目も当てられません。

つまり、 HTML の自由度のせいで、正規表現が非常に面倒になります。そして、場合によっては上記の例のようにタグ途中で改行されていたりすることもあります。

結論としては「書けますが面倒」です。 nokogiri などの HTML/XML パーサを使ってください。
もちろん、前提条件がお示しのタグぐらい統一されていて簡略であれば簡単ですけどね。
(もしも、対象となるタグの前提条件が明確になっているならば、それに合わせた程度で書くこともできますので、ご連絡ください。ただし、結果として正規表現が面倒になりそうであれば、その旨ご返答します。)


nokogiri でのパース方法を追記します。タグが一つだけであることを前提としています(修正すれば複数タグでも扱えますので、必要があればやってみてください)。

ng_words = %w[ngword-1 ngword-2]
str = %[<div class="XXX ngword-1 ngword-2"></div>]

elem = Nokogiri::HTML.parse(str).xpath('/html/body/*').first
classes = elem[:class].split
classes -= ng_words
elem[:class] = classes.join(" ")
tag = elem.to_html
puts tag #=> <div class="XXX"></div>

NG ワードは配列に入れておきます。
タグは Nokogiri::HTML.parse すると html タグと body タグにラップされるので、 xpath('/html/body/*') メソッドでラップを剥がして目的とするタグのみを含むインスタンス elem を抜き出します(div タグに限らず、どのようなタグでも使えるように書いています)。
続いて class 属性値を抜き出して文字列そして配列にし、 NG ワードを取り除いてから文字列に戻し、再度 class 属性値に設定しています。
あとは to_html メソッドで戻せばいいだけです。

投稿

編集

  • 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。

  • 2015/02/24 19:05

    コメントありがとうございます。
    やはり正規表現でやるのは難しそうですね。いろいろ調べていただいたようで頭が下がります。
    入力されるHTMLタグはユーザに入力してもらうもののため例に示したような簡単なものにはなりません。ここはやはりHTMLパーサを使う方向で行こうかと思います。
    回答ありがとうございました。

    キャンセル

  • 2015/02/24 22:56

    nokogiri でのパース方法を追記しました。

    キャンセル

0

HTMLを正規表現で処理するのは面倒ですし、イレギュラーなケースでおかしな挙動をすることも考えられます。

Nokogiriのような、HTMLを処理するライブラリがありますので、そういうのを使ったほうがいいでしょう。

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。

  • 2015/02/24 17:08

    素のHTMLならNokogiriが一番なんですが、問題なのは文書中にHTMLがあってその中のclassをいじりたいということなんです。
    ちょっと質問が説明不足でした、すみません。

    nokogiriでもうまくいけばよさそうです。ただHTML化する過程でDOCTYPEなどが追加されているのでそれをうまく削除できれば何とかなりそうな気がします。

    キャンセル

関連した質問

同じタグがついた質問を見る

  • Ruby

    7975questions

    Rubyはプログラミング言語のひとつで、オープンソース、オブジェクト指向のプログラミング開発に対応しています。

  • 正規表現

    814questions

    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。