HTMLファイルからcharsetの文字列だけを抜き出すにはどうすれば

質問

HTMLファイルからcharsetの文字列だけを抜き出すにはどうすれば良いのでしょうか？

本文がHTMLで構成されているメールからcharset=文字コード(Shift_JIS、UTF-8など)の
文字コード部分を抜き出したいのですがどうすれば良いでしょうか？

もちろんcharset自体が存在しない場合もあるため、ないときの処理も書かなくては
ならないです。(存在しない時にはメールヘッダからの文字コードを渡します)

環境はVista Home Premium、Visual Studio2005(Std)上のC#です。

回答No.1

enjoyhotlife · ベストアンサー

私は.Netなのですが
まずHTMLファイルあからタグの配列を作り
{<>,</>,<>,<>}
各値に対して正規表現を使用して抜き出しています
HTMLファイルの中に複数文字コードがありそれぞれを取得したい場合です
前提としてひとつしか文字コードがない場合は配列にする必要はありません

C#の正規表現はここにあります
http://www.atmarkit.co.jp/fdotnet/dotnettips/585regexreplace/regexreplace.html
http://dobon.net/vb/dotnet/string/regexmatch.html

正規表現はここをいつも参考にしています
http://hodade.adam.ne.jp/seiki/page.php?s_htmltag

.Netですが正規表現の使い方です
クラスは同じなのでおそらく同じ使い方で問題ないと思います
http://blog.goo.ne.jp/nsl_net/e/b1b212f571a7a009dbedd7c1b9f147b3

.Net C# には
RegexOptions　がついています
この設定の仕方で文字列が取れたり取れなかったりするので
色々設定を変えてみてください

お礼

とりあえず正規表現のマッチングを使ってやりたかったcharsetの取得か出来ました。
回答ありがとうございました。

補足

こっちのほうかなぁ…と思いました。
http://www.atmarkit.co.jp/fdotnet/dotnettips/579regexmatch/regexmatch.html

ちなみにこの下の部分でタグ抜き作業(@ITの記事参考)をしているので
正規表現は一応使ってはいるのですが…。

回答No.2

enjoyhotlife

追伸です
charsetの部分を取り出す正規表現のサンプルが
CodeZineにあります
参照URLの4ページ目のMailクラスの使用例のサンプルソースが参考になると思います
ZIPのなかにC#のソースがあると思いますので参考にしてみてください

参考URL：

http://codezine.jp/article/detail/477