文字列から、ある文字と文字の間にある文字列をすべて抜き出したい

Question

###前提・実現したいこと
C言語で、文字列からある文字と文字の間にあるものをすべて抜き出したい。

例えば下のように<a>と<b>のタグがあり、その間の文字をすべて出力をしたいです。

<a> <b>
例1:<a><a>vvv<b>→<a>vvv

例2:<a>ai<b><a>aaa<b>→ai
aaa

###該当のソースコード

#include <stdio.h>
#include <stdlib.h>
#include <string.h>

int main(void) {
	//開始タグ、終了タグを入力
	char tag[101];
	fgets(tag, sizeof(tag), stdin);
	char *start, *end;
	start = strtok(tag, " ");
	end = strtok(NULL, "\n");

	//文字列を入力
	char tmp[5001];
	fgets(tmp, sizeof(tmp), stdin);

	//アウトプット用
	char memory;
	char output[5001];
	int wordcnt = 0;

	//検索用
	char *s;
	char *e;

	//囲んだ文字が見つかるまでループ
	while (1) {
		
		//開始タグで検索
		if (( s = strstr(tmp,start) ) != NULL) {
			
			int searchS = atoi(s+strlen(start));

			//見つかったら終了タグで検索
			if ((e = strstr(tmp, end)) != NULL) {

				int searchE = atoi(e);

				//文字列の抜き出し
				strncpy(&memory, tmp+strlen(start), searchE-searchS);
				
				//文字列の配列に記録
				output[wordcnt] = memory;
				//どちらか見つからなければ終了
			}else break;
		}else  break; 
		wordcnt++;
	}
	//ループ終了
	
	for (int i = 0; i < wordcnt; i++) printf("%s\n",output[i]);

	return 0;
}

###試したこと
strncpyで文字列の抜き出しのみができるということで、文字列検索のstrstrを併用しました。

strstrの戻り値で、始まりの文字列と終わりの文字列を検索して、あれば2つの値を使い、strncpyで抜き出して全てを出力し、無ければループを抜けるという流れの予定なのですが、配列の数の分（5001回？）がnullで出力されてしまいます。
ループを抜けたいですが、検索できなくなったら抜け出すという方法が思いつきませんでした。

また、strncpyで入れた記憶用のmemoryという変数を出力した結果、これもnullでした。
他の変数については、

searchE、searchSはすべて0

tmpはテスト毎に数値は別

となっていました。

直すとすればどこでしょうか？そもそものやり方が間違っているかもわかりません。

###補足情報(言語/FW/ツール等のバージョンなど)
VisualStudio2015
win32 C++

Answer 1

C言語では、メモリの確保・解放のタイミングが常に問題になりますが、そのあたりは調整して下さい。
テストをしやすくするために、必要な文字列は全てコマンドライン引数から取得するようにしています。

#include <stdio.h>
#include <stdlib.h>
#include <string.h>


/*
 * 文字列stringの中から、文字列startと文字列endに挟まれる文字列を抽出して文字列配列extractionsに返し、
 * その個数を戻り値として返す。
 * ただし、extractionsにはあらかじめ十分な配列要素が確保されているものとし、
 * 抽出文字列用バッファはextract_between自身が確保するものとする。
 *
 */
int extract_between(char *string, char *start, char *end, char **extractions);


int main(int argc, char **argv) 
{
	int extraction_count;
	char **extractions;
	int i;

	if (argc <= 3) {
		fprintf(stderr, "Usage: %s string start end\n", argv[0]);
		return 1;
	}

	extractions = (char **)malloc(sizeof(char *) * strlen(argv[1]));

	extraction_count = extract_between(argv[1], argv[2], argv[3], extractions);

	for (i = 0; i < extraction_count; i++) {
		printf("%d\t%s\n", i + 1, extractions[i]);
	}

	for (i = 0; i < extraction_count; i++) {
		free(extractions[i]);
	}

	free(extractions);

	return 0;
}


int extract_between(char *string, char *start, char *end, char **extractions) 
{
	int count = 0;
	char *scanner;
	char *found_start_at; /* 文字列stringで文字列startが見つかった最初の位置 */
	char *found_end_at;   /* 文字列stringで文字列endが見つかった最初の位置 */
	int length_of_start;
	int length_of_end;

	length_of_start = strlen(start);
	length_of_end = strlen(end);

	for (scanner = string; 
			(found_start_at = strstr(scanner, start)) != NULL &&
			(found_end_at = strstr(found_start_at + length_of_start, end)) != NULL; 
			scanner = found_end_at + length_of_end) 
	{
		char *extraction;
		int length_of_extraction = found_end_at - found_start_at - length_of_start;

		extraction = (char *)malloc(length_of_extraction + 1);
		strncpy(extraction, found_start_at + length_of_start, length_of_extraction);
		extraction[length_of_extraction] = '\0'; /* strncpyは文字列にに'\0'を付加しないので、付加する。 */

		extractions[count++] = extraction;
	}

	return count;
}

実行結果：

> ./extract_between '<a>ai<b><a>aaa<b>' '<a>' '<b>'
1       ai
2       aaa

Answer 2

LOOPしてませんので参考まで

#include <stdio.h>
#include <stdlib.h>
#include <string.h>

int main(void) {
    //開始タグ、終了タグを入力
    char tag[101];
    fgets(tag, sizeof(tag), stdin);
    char *start, *end;
    start = strtok(tag, " ");
    end = strtok(NULL, "\n");

    //文字列を入力
    char tmp[5001];
    fgets(tmp, sizeof(tmp), stdin);

    //アウトプット用
    char output[5001]={0};
    int wordcnt = 0;

    //検索用
    char *s;
    char *e;
    char *searchS, *searchE;

    //開始タグで検索
    if (( s = strstr(tmp,start) ) != NULL) {

         searchS = (s+strlen(start));

         //見つかったら終了タグで検索
         if ((e = strstr(tmp, end)) != NULL) {

            searchE = e;

            //文字列の抜き出し
            if ( searchE > searchS )
               memcpy(output, searchS, searchE-searchS);

         }
    }

    printf("%s\n",output);

    return 0;
}
[242@ts21adm 

Answer 3

• ある任意長の文字列がある
• この文字列の中から、<a> と <b> で囲まれた部分を抽出したい
• ただし、<a>と<b>の組み合わせは複数回出てくることがありうる

ということですかね。

• <a><a><b><b>（入れ子） のような状態は考慮しない

のであれば、手順は次のようになります。

1. 着目位置(pi)を文字列の先頭（[0]）とする
2. piから探して、最初に来る<a>の位置（pa)を探す
3. pa（実際にはpa+3からでよい）から探して、最初に来る<b>の位置（pb）を探す
4. (pa+3)から(pb-1)までを切り出し、結果の文字列に追加する
5. piを pb+3 とする（<b>の次の位置へずらす）
6. pi が文字列の末尾を超えない限り、2. からを繰り返す

ただし、<b> が足りない場合を考えると、このまま実装すると最悪例外で落ちます。
※pbを探したときに変なことになるため

まあそこは課題ということで。