[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. 2ちゃんねる（2ch）検索 掲示板 - スレタイ、過去ログ、全文検索 (1 PV)
  2. [2ch]フシアナトラップ (1 PV)

今月のアクセスランキング（上位10件）

  1. 佐野研二郎氏の妻「実際にデザインを担当しているのは数人の部下。佐野は監修しただけ」パクリ疑惑を完全否定 (58 PV)
  2. 警視庁がチャゲアスのASKA（宮崎重明）を覚せい剤取締法違反で逮捕、本人は容疑を否認 (45 PV)
  3. ログ速（ろぐそく、logsoku） - 過去ログ スレタイ検索 全文検索 (44 PV)
  4. 【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 (44 PV)
  5. [B-CAS]平成の龍馬（多田光宏）逮捕 (43 PV)
  6. 2chまとめサイト（ブログ）検索 (42 PV)
  7. 2ちゃんねる（2ch）検索 掲示板 - スレタイ、過去ログ、全文検索 (38 PV)
  8. PHP、MySQLで動くオープンソース掲示板ソフト (29 PV)
  9. 5ちゃんねる（5ch.net、旧2ちゃんねる）掲示板 (22 PV)
  10. 「真実を探すブログ」と「カレイドスコープ」が互いに誹謗・中傷と非難の応酬 (18 PV)

アクセス統計

ディレクトリ

関連サイト