[Perl]HTMLソースからtitleやbodyを抜き出すための正規表現

HTMLソースからtitleやbodyタグで囲まれている部分を抜き出すための正規表現ですが、

<title.*>(.+)</title>
<body.*>(.+)</body>

くらいでいいだろうと思っていたら甘かった。

サイトによっては、

<title>
たいとる
</title>

とかになっているページもあるので、

$content =~ s/[\r\n]//g;

とかで改行コードを取り除いてから、
my $title = '';

my $body = '';

my $pattern = "<title[^>]*>(.+)</title>";

if($content =~ m/$pattern/i) {

  $title = $1;

}

$pattern = "<body[^>]*>(.+)</body>";

if($content =~ m/$pattern/i) {

  $body = $1;

}
こんな感じでやらないとダメらしい。
[513] Posted by buzei at 2008/07/29 19:00:17
オープン | 0 point | Link (2) | Trackback (0) | Comment (0)

キーワード
プログラミング Perl サンプル 正規表現

掲示板と検索のホームページ


[Perl]HTMLソースからtitleやbodyを抜き出すための正規表現 関連リンク

URLを元にページのタイトルを取得するPerlサンプルスクリプト
URLから元ページのタイトルを取得するためのPerlのサンプルスクリプトです。処理手順は以下の通りです。1.ページURLを元にHTMLソ...
正規表現(regular expression)とは
正規表現(regular expression)とは、異なる文字列の集まりを一つパターンで表現するための表現方法で、テキストエディタやAWK、S...

[Perl]HTMLソースからtitleやbodyを抜き出すための正規表現 トラックバック

トラックバックURL :


[Perl]HTMLソースからtitleやbodyを抜き出すための正規表現へのコメント


詳細の入力フィールドを表示する

おすすめ  (チェックしてコメントすると最新情報に掲載)
コメント :

< 前のスレッド      次のスレッド >

アクセスランキング

今日のアクセスランキング（上位10件）

  1. [大阪維新の会]大阪市交通局の市長選支援職員リスト捏造事件 (13 PV)
  2. スクエニ和田洋一社長、FF14の不評を認める (12 PV)
  3. 日本IT漫画新聞 (12 PV)
  4. 鳩山辞任で民主党支持率急回復、ネトウヨ狼狽 (12 PV)
  5. NBA ジャージ (10 PV)
  6. ヨルダン政府、ヨルダン人パイロット殺害の報復としてリシャウィ死刑囚の死刑を執行 (10 PV)
  7. 藤原紀香、陣内智則夫妻が離婚 (10 PV)
  8. シャア専用携帯「913SH G TYPE-CHAR」 (10 PV)
  9. アナログマとは (9 PV)
  10. ブレイドクロニクル RMT (9 PV)

今月のアクセスランキング（上位10件）

  1. 掲示板フリーソフト - 無料で利用できる掲示板CGI (27 PV)
  2. 掲示板やチャットなどのフリーPHPスクリプトの配布サイト (23 PV)
  3. 【速報】パナマ文書に記載されている日本企業、日本人の一覧リスト (17 PV)
  4. スクエニ和田洋一社長、FF14の不評を認める (15 PV)
  5. WebRMT【ウェブＲＭＴ】-ラペルズ-RAPPELZ-RMT (14 PV)
  6. k本的に無料ソフト・フリーソフト (14 PV)
  7. [大阪維新の会]大阪市交通局の市長選支援職員リスト捏造事件 (14 PV)
  8. 日本IT漫画新聞 (14 PV)
  9. NBA ジャージ (13 PV)
  10. 鳩山辞任で民主党支持率急回復、ネトウヨ狼狽 (13 PV)

アクセス統計

ディレクトリ

関連サイト