HTMLソース上での「改行」を除去したい。

質問

いつもお世話になっております。
ver.PHP5

HTMLソースを見ると、
例えば、
-----------
あいうえお

かきくけこ
さしすせそ

たちつてと
-----------
のようになっているHTMLソースを、

-----------
あいうえお
かきくけこ
さしすせそ
たちつてと
-----------
とするには、どうしたら良いでしょうか。
(-----------　は説明上、書いたもので、ソースには含まれません。）

どなたか、宜しくお願いします。

回答No.3

yambejp · ベストアンサー

>mb_ereg_replace()を使うべきなのかな

preg_系はバイナリセーフなのである程度までは問題ないです。
文字コードによっては誤ヒットもあるのでUTFで保存して、
u修飾子を付けてやる方が精度は高いです。

>それと、「$1」はなんでしょう？

この場合、カッコで囲んだヒットする文字が$1になります。
したがって1つ以上の改行マークを１つの改行マークに変更しています

お礼

いろいろ検証していますが、
yambejpさんの教えて下さった方法は全て、通常であれば問題なく機能するコードですね。
それが、ひとまず分かりました。

問題は依然として解決していないのですが、
また別の視点で考えて頂きたいので、ちょっと補足をします。

私が今していることは、
外部のサイトからfile_get_contents()で得たHTMLソースの中から、
一部を抜粋し、その中にある空白行（改行連発）を除去する
ということです。
しかし、それがどのようにやっても、うまくいかないので、
次に、そのHTMLソースの一部を手動でコピーし、
それを自作のファイルにペーストし、
それに対して、file_get_contents()し、同様の操作をした所、
なぜかうまくいきました。

つまり、
外部サイトのソースをそのまま使うとダメで、
一度、自分のファイルとして作り直し、そこから引っ張ってくる
という方法だと、うまくいくのです。
これはなぜなんでしょう？

同じ改行ではないのでしょうか？
私はDream Weaverを使っていますが、
ここにペーストすると、それまでの改行コードが、
こちらにとって都合のいい、\nや\r\nに変更されるのでしょうか。

だとすると、オリジナルの改行コードって一体、何者なのでしょう…。
どーしても、消したいのに…。
と、多少、検証はできましたが、今後の指針が見えてきません…。
もし、なにかわかることがありましたら、教えて下さい。
宜しくお願いします。

補足

なんだか色々検証していたら、問題が解決してしまいました。
理由は謎です。
サーバのキャッシュか、何かは分かりませんが、
その「時間的な問題」から、解き放たれたのかもしれません。
よって、
特に変更はしていないはずですが、問題は解決されました。
つまり、
preg_replace("/(\r\n|\n)+/","$1",$html);
これでうまくいっております。

おかげさまで助かりました。
また分からないことがありましたら、宜しくお願いします。

回答No.2

yambejp

あ、そうですね。\r\nを改行としているかもしれません。
ちょっと修正してこんな感じで？

<?
$html=<<<eof
<hr>
<pre>
あいうえお

かきくけこ
さしすせそ

たちつてと
</pre>
eof;
print $html;
$html=preg_replace("/(\r\n|\n)+/","$1",$html);
print $html;
?>

お礼

早速ありがとうございます。
1つお聞きしたいのですが、
あいうおえ～というように、マルチバイト文字列に対しての
パターンマッチを考えているので、
preg_replace()ではなく、
mb_ereg_replace()を使うべきなのかなと思いましたが、
どうなんでしょう？
半角英数文字列に対してなら、高速処理と言われているpreg系を使いたい所なのですが…。
それと、「$1」はなんでしょう？
タイプミスでしょうか…。
すみません、いろいろと。
これから、試してみます。

回答No.1

yambejp

簡単にやるには正規表現

<?
$html=<<<eof
<hr>
<pre>
あいうえお

かきくけこ
さしすせそ

たちつてと
</pre>
eof;
print $html;
$html=preg_replace("/\n+/","\n",$html);
print $html;
?>

お礼

早速ありがとうございます。
教わった通りにやりましたが、ダメでした。
この質問をする前に、予め様々な方法でトライしたのですが、ダメだったため質問させて頂きましたが、なぜかできずに苦戦しております。

そもそも、HTMLソース上で改行がされているというのは、
「\n」が見えない所で（裏の処理で）入っているから、なのだと思いますが、
ソース上はもちろんのこと、出力した文字列（$html）にも「\n」は表示されていないわけで、
この「\n」を除去するというのは、どういうことなんだろうかと、
なんだか訳が分からなくなってしまいました。

ちなみに、除去処理する前の、
print $html;
の結果は、

あいうえおかきくけこさしすせとたちつてと

となります。
これは、私の前述の２例、どちらも同じです。
前述の２例で違う点は、「HTMLソース上での改行の入り方」だけです。

繰り返しになりますが、
$html=preg_replace("/\n+/","\n",$html);
でもダメでした。
ダメというのはつまり、変化なし、ということです。
相変わらず、空白行　があります。

どういうことなんでしょうか、これは。。。
yambejpさんには今回もお世話になります。

補足

すみません、補足です。
yambejpさんの例をそっくりそのまま使うと、
見事、その例においては、空白行が消えますね…。

では、私の文字列でそれができないのは、なぜなんだろうか…。
ブラウザのキャッシュもクリアしていますし…。
ん～。
わからないっ。

「\n」ではない種類の「改行」というものがあるのでしょうか。
何か他に考えられる除去方法はありますでしょうか。