HTMLタグの中味抽出

質問

HTMLのタグの中味を抽出する正規表現として、以下の形を学びました。

[^<]+?(?=>)

この正規表現で以下のHTML文を処理すると、

<tag_nakami_1><tag_nakami_2>title_text</tag_nakami_1></tag_nakami_2>

以下の結果が出ました。

tag_nakami_1
tag_nakami_2
/tag_nakami_1
/tag_nakami_2

ですが、なぜ、「title_text」の部分がうまく取り除かれたのかがわかりません。

<tag_nakami_1><tag_nakami_2> まで処理がすんで、次は title_text</tag_nakami_1> が処理対象の文字列となるのでは無いでしょうか？その場合、末尾の > より前の部分、title_text</tag_nakami_1 から < のみが除かれた文字列、title_text/tag_nakami_1 が抽出される、つまり以下のような結果が出そうに思えます。

tag_nakami_1
tag_nakami_2
title_text/tag_nakami_1
/tag_nakami_2

ですが実際はそうなりません。
これはなぜなのでしょうか……。

回答No.1

y_shimizu · ベストアンサー

言葉で説明しにくいのですが、

(1)[^<] → <じゃない文字
(2)+? →直前の文字繰り返し
(3)(?=>) → 次が>

なので
<tag_nakami_1><tag_nakami_2>title_text</tag_nakami_1>
の<tag_nakami_2>までマッチしたら、
次は t を見る、(1)に合致するので、マッチしてるかもしれない文字列はt
次は i を見る、(1)に合致するので、マッチしてるかもしれない文字列はti
これをtitle_textまで繰り返して
次は < を見る、(1)に合致しないので、マッチしてるかもしれない文字列はクリア
次は / を見る、(1)に合致するので、マッチしてるかもしれない文字列は/
これをtag_nakami_1まで繰り返して
次は > を見る、(3)に合致するので、マッチここまでの文字列 /tag_nakami_1 はマッチしている

みたいなかんじです。

お礼

ご説明ありがとうございました。
正規表現の処理の仕方をちゃんと理解していなかったんですね、私は……。
てっきり、「先読みの条件までの文字列全体」を抽出してそれに対して処理を加えるものだと思い込んでいましたが、正規表現自体は文字列全体が何であるかは知らず、あくまで前から一文字ずつ条件に合致するかを見ていき、条件に合わない箇所が出たらそこまでの処理結果は破棄する、ということなのですね。
目からウロコが落ちました。
ありがとうございました！