正規表現について

質問

タグで囲まれた文字列以外に含まれるアルファベットに一致させたいのですがうまくいかず困ってます。
例えば以下のようなHTMLの文字列があったとします。

----------------------------------------------------------------------------
PHP: Hypertext Preprocessorとは、動的にHTMLデータを生成することによって、動的なウェブページを実現することを主な目的としたプログラミング言語、およびその言語処理系である。<br>
詳しくは以下のURLを参照されたし。<br>
<a href="http://ja.wikipedia.org/wiki/PHP:_Hypertext_Preprocessor">リンク</a>
----------------------------------------------------------------------------

"PHP: Hypertext Preprocessor"と"URL"と"HTML"の部分だけに一致させて
<br>や<a>などタグで囲まれた部分に含まれるアルファベットや記号には一致しないようにしたいのです。
いろいろ試してみましたが、どうにもうまくいきません。
どなたかお助けください＞＜

回答No.3

noname#244856 · ベストアンサー

ノイズが混じらないようにした改良版

function get_keywords($text) {
____
____$pattern = '/[\\w!"#$%&\'()=~^\\\\|`@[{+;*:}\\]<,>.?\\/ -]++/';
____preg_match_all($pattern, strip_tags($text), $matches);
____return array_filter(array_map(function ($i) {
________return trim($i, '!"#$%&\'()=~^\\|`@[{+;*:}]<,>.?/ -');
____}, $matches[0]), 'strlen');
____
}

http://ideone.com/FzUzTd

回答No.2

noname#244856

「タグに囲まれた部分」の解釈の仕方で大きく変わってきますが・・・

※ UTF-8前提

【A. タグとその属性にマッチさせたくない場合】

function get_keywords($text) {
____
____$pattern = '/[\\w!"#$%&\'()=~^\\\\|`@[{+;*:}\\]<,>.?\\/ -]++/';
____preg_match_all($pattern, strip_tags($text), $matches);
____return $matches[0];
____
}

動作テスト
http://ideone.com/6LHwfU

【B. タグとその属性・特定タグの内部テキストにマッチさせたくない場合】

Simple HTML DOM Parser を利用します。
http://simplehtmldom.sourceforge.net/

function get_keywords($text, $forbidden_tags = array()) {
____
____$html = str_get_html($text);
____foreach ($forbidden_tags as $tag) {
________foreach ($html->find($tag) as $e) {
____________$e->innerText = '';
________}
____}
____$pattern = '/[\\w!"#$%&\'()=~^\\\\|`@[{+;*:}\\]<,>.?\\/ -]++/';
____preg_match_all($pattern, strip_tags((string)$html), $matches);
____return $matches[0];
____
}

お礼

丁寧な回答ありがとうございます。非常に参考になりました。
リンク先のideaone.comというサイトですが初めて知りました。
コードとその結果を表示出来るんですね。いろいろと丁寧にありがとうございます。

回答No.1

yambejp

<a href="・・・">abc</a>
となっていた場合abcはマッチしたくないのでしょうか？
もしそうなるとhtml文章はhtmlタグやbodyタグに囲まれているので
一つもヒットしませんね

また例示の「PHP: Hypertext Preprocessor」は
記号「:」やスペースを含みます。どこまでマッチさせたいのか決めないと
思わぬものまでマッチしたり、意図したものがマッチしなかったりしますよ？

たとえばスペースにマッチさせると無駄な空白を全て抜き出しますし
&amp;的なエスケープ文字が記載されていると「amp」だけマッチしたりします

補足

確かにそうですね。説明がへたですいません。