正規表現による置換

質問

HTMLの構文も正規表現もよく理解しないままに作業をしているので
とんちんかんなことを言っているのかもしれません
合わせて指摘してもらえると助かります

Yahoo pipes　使ってる中で発生している現象です

目的としては　HTMLタグから一部の文字列を取り出したく

変換元のXTMLは以下のようなものです（一部加工しています（***** の部分は隠しています）
<a rel="nofollow" target="_blank" href="http://*****.html">抽出したい文字列</a> <img alt="new" class="new" height="15" src="http://*****.jpg" width="32"/>
に対して
置換対象　　.*html">(.*)　　置換後　　$1　　　を行ってからさらに
置換対象　　(.*)<img.*　　　　置換後　　$1　　としたところ　一応抽出はできました
　　　本来　2回目は　　(.*)</a 　の気がするのですが1回目の結果を見るとなぜか</a>
　　　の部分もなくなってしまっています　　これも不思議なのですが

2回に分けて行うのは面倒なので1度で行いたいと思い

置換対象　　.*html">(.*)<img.* 置換後　　$1 としてみたのですが
求めている文字列の抽出をすることができませんでした
　　　　.一応　*html">(.*)</a.*　　というのもやってみましたが結果は変わりませんでした

これは当然の結果ななのか変換（処理）ツールの不具合なのかの判断ができません
分かる人がいたら教えてもらえないでしょうか

情報足りなければ補足させていただきます

回答No.2

ki073 · ベストアンサー

No.1です
Yahoo pipesの正規表現での話のようですね。ちょっと勘違い。
試してはいませんが、普通の正規表現を使えるツールでしたら、*html">(.*)</a.*でも取り出せるはずですが。
バグの可能性にしても変なバグだし、文字コードが原因としても考えにくいようですね。

その部分は他のツールを使って回避するしかないような。

お礼

>普通の正規表現を使えるツールでしたら、*html">(.*)</a.*でも取り出せるはず
気になったのはこの点なんです

いかんせん正規表現ちゃんと把握できな ＆ HTMLもちゃんとわかってないという状態なんで
文法的にそれであっているのか　間違っているのかが知りたかったのです

YahooPipesという特殊環境下の話なので何か特徴があるのかなと思っています
単純な変換だけで反が得れば動くはずだ（一応私の考えで正しい）と判断させていただきました

回答ありがとうございました

回答No.1

ki073

>本来　2回目は(.*)</a 　の気がするのですが1回目の結果を見るとなぜか</a>の部分もなくなってしまっています　
本来はそうなるはずです。一回目で
抽出したい文字列 <img alt="new" class="new" height="15" src="http://*****.jpg" width="32"/>
というふうに</a>が抜けてしまうのでしょうか？処理系のバグにしてもちょっと考えにくような。

私の普段使っているエディタでは
.*html">(.*)を\1に置換
(.*)</a.*を\1に置換
でちゃんと取り出せます。＄1ではなく\1で取り出すものもありますので注意してください。
1回でやりたのなら
.*html">(.*?)</a.*
で可能なはずです。試してみてください。(.*)だともし</aが二回以上ある場合には一番後ろとマッチしますので、?を加えることで直後の</aにマッチするようにしています。

また、sedが使えるのなら
(sed -e 's/.*html">//'|sed -e 's/<\/a>.*//')<text.txt
で可能です。
RubyやPerlなどでも簡単にできます

正規表現は使うプログラムによって違いが少しあるので、何をつかっているのか書かれるよ良いと思います。