Q&A
こんにちは．
たとえば以下のようなHTMLがあるとします．
lang
1<div class="item">あ</div> 2<p class="item">い</p> 3<p class="item special">う</p> 4<div class="teratail item special">え</div> 5<div>お</div>
それで，.itemの中身をPHPで取得しようとしました．
lang
1preg_match_all("/\<.*? class=[\"|\'].*?item.*?[\"|\']>(.*?)<\/.*?>/", $html, $result);
しかし，できません．（ほんとは，「あ」「い」「う」「え」がarrayとして帰ってきてほしい）
なぜでしょうか？
一生懸命初心者ながら自分で正規表現書いてみたのですが，よくわからず・・・
よろしくおねがいします．
---追記---
元になるHTMLにタブや改行が入っていました．
lang
1<div class="item"> 2 あ 3</div> 4 5<p class="item">い</p> 6 7<p class="item special"> 8 う</p> 9 10<div class="teratail item special">え 11</div> 12 13<div> 14お 15</div>
度々すみません，タブや改行を無視する方法はありませんでしょうか？
回答4件
0
返ってきているようですよ。
lang
1var_dump($result); 2結果 3array(2) { 4 [0]=> 5 array(4) { 6 [0]=> 7 string(27) "<div class="item">あ</div>" 8 [1]=> 9 string(23) "<p class="item">い</p>" 10 [2]=> 11 string(31) "<p class="item special">う</p>" 12 [3]=> 13 string(44) "<div class="teratail item special">え</div>" 14 } 15 [1]=> 16 array(4) { 17 [0]=> 18 string(3) "あ" 19 [1]=> 20 string(3) "い" 21 [2]=> 22 string(3) "う" 23 [3]=> 24 string(3) "え" 25 } 26}
投稿2015/05/03 16:03
総合スコア84538
0
こんにちは。
$result[1] に返ってきていますよ、という結論は先の回答者の方と
同じなのですが、一点だけ、蛇足かとは思うのですが、気になった点を
回答します。
挙げられている正規表現だと、
クラスとして、item を部分文字列として含むようなクラス名を持つ要素の内容
が取得されます。たとえば、例のHTMLを以下の
ように若干修正します。
lang
1<div class="item">あ</div> 2<p class="items-list">い</p> 3<p class="item special">う</p> 4<div class="teratail item special">え</div> 5<div class="not-item">お</div>
変更点は以下の２点です。
- 「い」を囲む<p>のclassを、items-list に変更
- 「お」を囲む<div>に、class="not-item"を追加
上記のように修正したHTMLに対して、挙げられている正規表現
でマッチングさせ、var_dump で $result[1]を見ると、以下
のようになっているかと思います。
lang
1array(5) { 2 [0]=> 3 string(3) "あ" 4 [1]=> 5 string(3) "い" 6 [2]=> 7 string(3) "う" 8 [3]=> 9 string(3) "え" 10 [4]=> 11 string(3) "お" 12 }
すなわち、クラスが items-list である「い」、およびクラスが
not-item である「お」も取得されます。
ですので、ご質問の中にあった、
それで，.itemの中身をPHPで取得しようとしました．
に厳密に沿ったものにするならば、正規表現を少し手直しする必要が
ありそうです。
もちろん、他のHTMLのことは考えなくてよく、最初の例で挙げらている
HTMLの .item の中身が取れたらそれでいいという状況なら、挙げられ
ている正規表現でも目的は果たせています。
ただ、もし今回のコードが、正規表現の練習という意味合いであるならば、
挙げられている正規表現だと、
lang
1<p class="items-list">い</p>
や
lang
1<div class="not-item">お</div>
もマッチしてしまうので、
.itemの中身
だけを取ってくるものにはなっていないということを、
蛇足ながら付言させて頂きました。
蛇足と言いながらこんなに長い回答になってしまったついでに、と
言っては恐縮ですが、応用として上記の修正したHTMLで、クラス名が
items-list や not-item といったものはマッチせず、結果
として、「あ」、「う」、「え」だけを取ってくるための正規表現
を考えてみるのも練習になるかもしれません。
以上です。
投稿2015/05/03 22:37
編集2015/05/03 23:18
総合スコア9058
0
こんにちは。２回目の回答になります。
タブや改行を無視する方法はありませんでしょうか？
との追記があったので、これについて回答したいと思いますが、
ご質問のタイトル「タグの中身を正規表現で取得したい」からは
ちょっと離れますので、その点だけご容赦ください。
HTMLの中にタブや改行がどのように入ってきても、あるクラスを持った
要素の中にあるテキストを取り出せるプログラムを作るには、自分で
正規表現を書くという方法ではつらくなってきます。なぜかというと、
HTMLの要素の区切りにタブや改行がどのようなパターンで入ってくる
かは、無数の組み合わせがあるからです。
目的の要素からテキストを取り出すのに、自分で正規表現を書くのとは
別の選択肢として、HTMLをパース（解析）し、取り出したい要素を指定
して、それらの要素の持つテキストを集めてくるようなプログラムを
書く方法があります。そのようなプログラムを作るには、HTMLパーサー
を使うのですが、PHPのHTMLパーサーとしては、
というのが、よく知られています。（他にも、より性能が良いものがある
らしいのですが、それについてはここでは触れません。）これを使うと、
クラスに item を持っている要素のテキストを、(WEBブラウザ上に)一覧
するプログラム
・list-item-contents.php
は、たとえば以下のように書けます。
lang
1<?php 2 require_once 'simple_html_dom.php'; 3 4 $html = file_get_html( 'input.html' ); 5?> 6<!DOCTYPE html> 7<html> 8<head> 9<meta charset="UTF-8"> 10<title>list-item-contents.php</title> 11</head> 12<body> 13<pre> 14<?php foreach ( $html->find( '.item') as $item ) { 15 $text = trim($item->innertext); 16 echo $text . "\n"; 17} ?> 18</pre> 19</body> 20</html> 21<?php 22 $html->clear(); 23 unset($html); 24?>
上記の list-item-contents.php では、初めに
lang
1 require_once 'simple_html_dom.php';
としていますが、この simple_html_dom.php は以下
http://sourceforge.net/projects/simplehtmldom/files/
からダウンロードして入手します。
また、処理の対象として読み込むHTMLファイル名を
・input.html
としています。たとえば input.html として
lang
1<!DOCTYPE html> 2<html> 3<head> 4<meta charset="UTF-8"> 5<title>questions/9375/input.html</title> 6</head> 7<body> 8<div class="item"> 9 あ 10</div> 11 12<p class="item">い</p> 13 14<p class="item special"> 15 う</p> 16 17<div class="teratail item special">え 18</div> 19 20<div> 21お 22</div> 23</body> 24</html>
を、先の list-item-contents.php に処理させると、結果として
lang
1あ 2い 3う 4え
と、ブラウザ上に表示されます。
input.html の要素の区切りとしてタブや改行が、どのように入っても
list-item-contents.phpを修正することなく、同じ結果が得られる
はずです。
以上、HTMLから欲しい情報を取り出すときに、自分で正規表現を書く手法
とは別の方法となりますが、参考になれば幸いです。
投稿2015/05/05 01:47
編集2015/05/05 02:22総合スコア9058
0
こんにちは
preg_match_all関数ですが
４番目の引数にflagsを渡せます。
flagsを指定しない場合
デフォルトでPREG_PATTERN_ORDERが指定されます。
PREG_PATTERN_ORDERを指定すると以下の挙動になります。
PREG_PATTERN_ORDER $matches[0] はパターン全体にマッチした文字列の配列、 $matches[1] は第 1 のキャプチャ用サブパターンにマッチした文字列の配列、 といった順番となります。
今回取得したいのはキャプチャした文字列の配列なので
$result[1]
で取得できると思います。
投稿2015/05/03 16:05
総合スコア10
あなたの回答
tips
プレビュー
バッドをするには、ログインかつ
こちらの条件を満たす必要があります。