改行なしテキストからの任意文字列の抽出方法

質問

複数（何万件レベル）の.htmlファイルから、<img>タグの書かれた箇所、つまり
<img src=".+">
を含む箇所が何箇所あって、どういう画像の参照があるのかを抽出したいのですが、困ったことにその.htmlファイルには改行が一切ありません。

今は秀丸のgrepを使用して試行錯誤しているのですが、
<img src=".+">
を含むファイル名とその行を表示しても途中で文字列が切れてしまうので、grepの結果に現れるのはせいぜい数個となり、正確に何箇所あるのか、抽出できずに困っています。

何かよい方法はないでしょうか？
みなさまのご回答をお待ちしております。

回答No.3

k-marumich · ベストアンサー

LC575さん、こんばんは。

実行されている環境は Windows でよろしいでしょうか？
また、結果として、各ファイルに該当する文字列が何箇所あるかが
わかれば良いのでしょうか？

Windows XP の環境で、コマンドプロンプトを開き、下記のコマンド
を実行すると、該当の文字列を含むファイル名、行番号、文字列が
表示されます。

C:\>cd tmp
C:\tmp> dir

2006/10/14 01:30 <DIR> .
2006/10/14 01:30 <DIR> ..
2006/10/14 01:30 64 test01.html
2006/10/14 01:30 28 test02.html
2006/10/14 01:30 33 test03.html
2006/10/14 01:30 28 test04.html

C:\tmp> findstr /N "<img src=" *.html
test01.html:4:<img src="./images/1.gif">
test01.html:6:<img src="./images/2.gif">
test02.html:1:<img src="./images/1.gif">
test04.html:1:<img src="./images/1.gif">

findstr コマンドのオプションを確認したいのであれば、以下の
コマンドを入力して下さい。

C:\tmp> findstr -?

以上です。

お礼

回答ありがとうございました。
早速試してみたところ、うまくいきそうな予感があります。
ただいま、本番として試していますが、５分や１０分そこらで
終わる様子もなさそうなので、結果はまたご報告させていただきます。

補足

結果報告が遅くなりました。
一晩たっても処理が終わらず困っていましたが、パラメータの指定を間違えていたことが発覚。
あらためて行ったところ、15分ほどで欲しかった情報をテキストファイルに落とすことができました。

回答No.4

BLUEPIXY

Perl とか(正規表現とかの)テキスト処理ができるプログラムを使う

回答No.2

gatyan

先に <img の前にというか、タグの前後に改行を挿入する作業をしてみては？　論理改行されるため検索できないのでしょうか？
秀丸は使ったことが無いですが、< を 改行＋< や > を >+改行 に置換できませんか。できれば、他の用途に使う場合も楽なのではないかと思います。

お礼

回答ありがとうございました。
「改行がない」ということで困っていたので、
改行を入れてしまうのが正解なのかもしれません。
ファイル数が多いので、それだけに処理の時間をとられるのを
面倒がっているのですが、最終的にはそれしかないかと思います。

回答No.1

jprr

ctrl+Fもしくは編集→検索で、<img srcを検索。

補足

回答ありがとうございました。
おっしゃるとおり、どこに含まれているか探すだけであれば、
ctrl+F すればよいのですが、なにぶん、ファイル数が膨大なのと
あとは、結果をリスト化したいという要望もあって、困っているんです。