マッチ情報を取得

質問

$yahoo = file_get_contents(http://www.yahoo.co.jp/)
で取得したソース情報の中から特定の情報だけを抜き取りたいのですが・・・。

正規表現 preg_match()などを使って欲しい情報があれば、特定の範囲を抜き取りするのかな？と思うのですが・・・。

いまいちやり方がわかっていません。

アドバイスお願いします。

回答No.4

bm_hiro

#1です。

> 切り抜く方法がわからないので、教えてください。
かなり ざっくりとでしたが、#1で書いてある通りです。

#2さんも書いてある通り、俺がやったようなゴリ押しでやると、すんごい疲れますよ。

#3さんが書いてあるように「スクレイピング」で検索したほうがスマートなやり方が見つかると思います。

俺がやったサイトは、俺の欲しい情報は ほぼ必ず、同じ行に入っていたので、
その行を strip_tags したり、いろいろ小技を使って、分解しただけです。

回答No.3

noname#243182

これは「スクレイピング」と呼ばれる処理です。検索することで、新たな情報が得られることでしょう。

参考URL：

http://pear.php.net/package/XML_HTMLSax3

回答No.2

yuu_x

> アドバイスお願いします。
マークアップされたデータを単なる文字列として扱うには、相当な労力が必要になります。

<ul>
<li title="<li></li>">def
<li>ghi</li>
</ul>

たとえば上のようなツリーから、def を子として持つ li 要素を preg_match でスムーズに取得できるでしょうか。li ができたとして他の要素ではどうでしょう。全パターンを網羅する記述は、あまり考えたくないですね。いわばパーサを自分で組むようなものです。

パーサを自分で組む時間と労力があるのでしたら止めませんが、XML を扱う API として DOM, XPath, XQuery, Selecters API, XSL など多数存在しているのですから、それらを利用しない手はないでしょう。

回答No.1

bm_hiro

んー、正直、自分もyahooのソースの解析なんてした事ありませんし、
具体的に、何の情報を切り取りたいのか分かりませんので、
アバウトなアドバイスしか出来ません。

yahooのソースを 何度も取得してみて、
自分の欲しい情報の入っているブロックが一定の場所であれば、
そこを抜き取ればいいと思いますし、
そうでなければ、特定の共通のキーワードになるようなものを探して、
そこらへんを基点に切り抜くとか、そんな感じになるんじゃないかと思います。

補足

Yahooは一例のURLです。
切り抜く方法がわからないので、教えてください。