[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. 読売新聞「石井誠」記者変死事件 (6 PV)
  2. [Twitter]ツイッター検索のまとめ (5 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 (4 PV)
  4. プリンセスガーデンホテル女性社長の「片岡都美」氏はフジモリ元大統領夫人 (4 PV)
  5. 2ちゃんねる（2ch）検索 掲示板 - スレタイ、過去ログ、全文検索 (2 PV)
  6. 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 (1 PV)
  7. 日清食品がラ王のCM撮影で槍ヶ岳山頂を勝手に封鎖、排除された登山者が激怒 (1 PV)
  8. ログ速（ろぐそく、logsoku） - 過去ログ スレタイ検索 全文検索 (1 PV)
  9. 5ちゃんねる（5ch.net、旧2ちゃんねる）掲示板 (1 PV)
  10. [将棋]横歩取り戦法 (1 PV)

今月のアクセスランキング（上位10件）

  1. 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 (86 PV)
  2. 【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 (84 PV)
  3. [Twitter]ツイッター検索のまとめ (83 PV)
  4. プリンセスガーデンホテル女性社長の「片岡都美」氏はフジモリ元大統領夫人 (75 PV)
  5. 読売新聞「石井誠」記者変死事件 (46 PV)
  6. 2ちゃんねる（2ch）検索 掲示板 - スレタイ、過去ログ、全文検索 (26 PV)
  7. ログ速（ろぐそく、logsoku） - 過去ログ スレタイ検索 全文検索 (25 PV)
  8. 5ちゃんねる（5ch.net、旧2ちゃんねる）掲示板 (24 PV)
  9. 元TBSのフリーアナウンサー「川田亜子」さん他殺の疑い (12 PV)
  10. 伝説の男、瓜田純士さんが新宿駅構内で2週間前に割腹自殺を図る (11 PV)

アクセス統計

ディレクトリ

関連サイト