正規表現でタグからURLを取り出したい

質問

こんにちは。
<a
href="http://www.x**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444"
TARGET=_blank>
<img border="0"
src="http://Y**.com/include/implession.php?pid=2222&hid=3333&flag1=product&id=1111&oid=4444"

alt="テスト<BR>正規表現" width="100" height="75"></a>

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。

回答No.4

campanella_77 · ベストアンサー

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 --------------------------------------
<?
/* リンク用のタグに使われているURLと
imgタグ用に使われているURL、
そして、その他のURL
を別の配列に入れる例。
*/

$str = <<<EOF
aaaaaaaa
<a href="http://www.a**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444" TARGET=_blank>

<a href ="http://www.b**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444" TARGET=_blank>

<a href = "http://www.c**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444" TARGET=_blank>

<a href = http://www.d**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444 TARGET=_blank>

<a href =
"http://www.e**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444" TARGET=_blank>

<a
href="http://www.f**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444" TARGET=_blank>

<a href=
http://www.g**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444
TARGET=_blank>

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

<img border="0"
src="http://imga**.com/include/implession.php?pid=2222&hid=3333&flag1=product&id=1111&oid=4444" alt="テスト<BR>正規表現" width="100" height="75"></a>
<img src="http://imgb**.com/include/implession.php?pid=2222&hid=3333&flag1=product&id=1111&oid=4444" alt="テスト<BR>正規表現" width="100" height="75"></a>
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<BR>\n";
print_r($linkUrl);

print "\n\n";

print "imgタグっぽいURL<BR>\n";
print_r($imgUrl);

print "\n\n";

print "その他のURL<BR>\n";
print_r($etcUrl);

?>

-------------------------- 実行結果 --------------------------------------
LinkっぽいURL<BR>
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<BR>
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<BR>
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
)

お礼

ありがとうございます。
私なりに解説サイトをみながらやってみたのですが、
なかなかうまくできなかったのですが、とても参考になりました。
おっしゃるとおり、これからはもっと自力でとけるようにしていきたいと思いますm(_ _)m
スクリプトとして実行してみましたが、すべて希望通りに動いてくれました！
リンク、画像だけでなくその他のURLも拾ってくれるので、すごく便利ですね。
このたびは、どうもありがとうございました。

回答No.3

randman

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。

お礼

ありがとうございます。
なるほど、少しずつ希望の形にしていくということですね。
試してみましたが
preg_match("/^[a-zA-Z]+\:\/\/(.+)/s",$url,$matches);
の行で、うまく検出されませんでした。
もちろん$urlをその前の行のマッチしたものにしてますが・・・
[a-zA-Z]を[http|https]にしたり
その後ろの+\:\/\/を:\/\/にしたんですが・・・
もっと勉強します！ありがとうございました。

回答No.2

campanella_77

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--------------------
<?
$str = <<<EOF
aaaaaaaa
<a href="http://www.x**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444" TARGET=_blank>
<a href="http://www.a**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444" TARGET=_blank>
<a href="http://www.b**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444" TARGET=_blank>
<a href="http://www.c**.com/test/product.php?id=1111&pid=2222&hid=3333&oid=4444" TARGET=_blank>
<img border="0"
src="http://Y**.com/include/implession.php?pid=2222&hid=3333&flag1=product&id=1111&oid=4444"

alt="テスト<BR>正規表現" width="100" height="75"></a>
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。

回答No.1

moon_night

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。

お礼

ありがとうございます。
最初その方法を考えたんですが、どうもうまくいかないURLがあって・・・