正規表現でタグからURLを取り出したい

Question

こんにちは。

などというタグからリンク先のURLからhttp://をとったもの(ここでは、www.x**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444) とソースURL(ここでは、http://Y**.com/include/implession.php?pid=2222&hid=3333&flag1=product&id=1111&oid=4444) を求めたいんですが、どのように書けばいいのかわからなくて困っています。どなたかわかりましたら、ご教授お願いいたします。 http://oshiete1.goo.ne.jp/kotaeru.php3?q=909227 を参考にしてみましたが、この方法だと、TARGET=_blankなども入ってしまいます。

campanella_77 · Accepted Answer

こんにちは。 No2です。先ほど、『単にURLを正規表現で取り出したい』という質問に受け取ってしまいました。申し訳ございませんでした。そういう意味では述べられている質問より高度（か、同一）です。さて、私が前回の質問で言いたかったのは正規表現の使い方と意味です。前回述べたのは答えではありませんでしたが、考え方をわかって頂かないと違うパターンになる度にこちらの質問に書き込まなければならず、非常に質問者さんにとっても効率の良いものではありません。前回言った「自力で出来なければ」というのはそういう意味です。で、本題です。正規表現にマッチするパターンが質問内容しか例がないので、その範囲内、もしくはそれにプラスしたパターンでやります。 ※それ以外については、保証の限りではありません。そもそもタグの書き方が間違っている場合もあるでしょうし、URL自体に空白や改行を入れて書いている人もいるかもしれません。色々なパターンがあります（たとえばテーブルタグが崩れるのを防ぐためや、そもそもそのURLの先が自作のWebサーバや自作OSを使っているかもしれませんし）。しかし、そういったパターンも考慮すると非常に大げさになってしまいます。 PHPやPerlの正規表現は非常に遅いので、大げさになればなるほどどんどん処理が遅くなります。よって、URLであろう。もしくは、一般的なURLを対象するだけで十分でしょう。細かい検証はしていませんが（片手間でつくったので思惑通りかどうか保証できません）、質問で言われている例、及び、以下のパターンで取り出す例を載せておきます。（具体的な使用例を言って頂ければより正確になるでしょう。2chのような巨大な掲示板のページから取り出す。と、言うのであれば、PHPでやるべきか。と、いう問題にもなってきますし。） -------------------------- ソース -------------------------------------- これはただのアドレスhttp://www.H**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444 aaaahttp://www.H**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444ああああテスト<BR>正規表現

bbbbbb EOF; preg_match_all("/(\C{5,10})["]?https?://([^"\s]+)/i" , $str , $arr); //より正確にするなら以下を参考に //preg_match_all("/(\C{5,10})["]?https?://([[:alnum:]\+\$\?\.%,!#~\*/:@&=_\-]+)/i" , $str , $arr); $linkUrl = array(); $imgUrl = array(); $etcUrl = array(); for ( $i = 0; $i < count($arr[1]); $i++){ if (stristr($arr[1][$i] , "href")){ $linkUrl[] = $arr[2][$i]; }else if (stristr($arr[1][$i] , "src")){ //httpのみにするか ftp や https その他に対応させることも可 //今回は http のみに対応ということで $imgUrl[] = "http://" . $arr[2][$i]; }else{ $etcUrl[] = $arr[2][$i]; } } header("Content-Type: text/plain; "); print "LinkっぽいURL
"; print_r($linkUrl); print " "; print "imgタグっぽいURL
"; print_r($imgUrl); print " "; print "その他のURL
"; print_r($etcUrl); ?> -------------------------- 実行結果 -------------------------------------- LinkっぽいURL
Array ( [0] => www.a**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444 [1] => www.b**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444 [2] => www.c**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444 [3] => www.d**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444 [4] => www.e**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444 [5] => www.f**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444 [6] => www.g**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444 ) imgタグっぽいURL
Array ( [0] => http://imga**.com/include/implession.php?pid=2222&hid=3333&flag1=product&id=1111&oid=4444 [1] => http://imgb**.com/include/implession.php?pid=2222&hid=3333&flag1=product&id=1111&oid=4444 ) その他のURL
Array ( [0] => www.H**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444 [1] => www.H**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444ああああ )

randman · Answer

preg_match_all("/(?:href|src)\s*=\s*(\".+?\"|\'.+?\'|[^\s>]+)\s*/is",$html,$matches,PREG_SET_ORDER);

でマッチしたものに、

preg_match("/^[a-zA-Z]+\:\/\/(.+)/s",$url,$matches);
※[a-zA-Z]+は[http|https|ftp…などなど]でも可。

をマッチさせるのが簡単かな。httpの部分はpreg_replaceで削除してもいいけど。
もちろん、これは完全じゃない。完全なURLマッチングは非常に難しい。

http://www.din.or.jp/~ohzaki/perl.htm#URI

さらにタグの内部にあるかどうかを知るのも難しい（上のやり方ではタグの内外、コメントの内外であるかどうかは不明）。

http://www.din.or.jp/~ohzaki/perl.htm#HTML_Tag

とにかく、一回のマッチで全てを求めようとしちゃいけない。あらかじめ、コメントやタグの外の部分を削除しておくとか。
少なくとも、No.2のやり方は「答え」じゃない。

campanella_77 · Answer

こんにちは。 http://oshiete1.goo.ne.jp/kotaeru.php3?q=909227 よりもやさしい部類ですよ。これが自力で出来なければ、正規表現は一生マスターできません。最初から一発でとは言いませんが、試行錯誤してやってみてください。一応、答えを載せておきます。「こういう場合は・・・」「こうしたいんだけれど・・・」という部分があれば、ご自分で色々試行錯誤してください。 ------------ここから--------------------

bbbbbb EOF; preg_match_all("/(https?:\/\/[^\"]+)/i" , $str , $arr); print_r($arr); ?> ------------------------------------------ 上を実行されるとわかると思いますが、取り出すときは $arr[0][0]～$arr[0][最後の要素] でアクセスできます。 $arr[0] と $arr[1]の違いは今回の場合は気にしなくていいでしょう。同じものをさしています。

moon_night · Answer

たとえば、
heaf="　から　次の　"　までとか。
srcも同様に。
ただ、クウォーテーションで閉じてない場合はだめだけど。

その場合は　”（または　'　）があるかないかで、終わりは半角スペースまでとか。

正規表現でタグからURLを取り出したい

こんにちは。

preg_match_all("/(?:href|src)\s*=\s*(\".+?\"|\'.+?\'|[^\s>]+)\s*/is",$html,$matches,PREG_SET_ORDER);

こんにちは。

たとえば、

似たような質問が見つかりました

関連するカテゴリからQ&Aを探す

デイリーランキングこのカテゴリの人気デイリーQ&Aランキング

マンスリーランキングこのカテゴリの人気マンスリーQ&Aランキング

preg_match_all("/(?:href|src)\s=\s(\".+?\"|\'.+?\'|[^\s>]+)\s*/is",$html,$matches,PREG_SET_ORDER);