1000個の文章から規則に従い複数の文字群体を抽出

質問

こんにちは。
お世話になります。

商品のcsvがあります。商品説明文です。
ここから、「説明文」「サイズ表」「素材」「国」「白文字情報」の情報を抜き出したいです。

新たなデザインに切り替えるのですが、1000アイテムほどあるため、
仕組みを構築して、必要な情報のみをまず抜き出し、それを新しい
レイアウトのHTMLタグを組み合わせようと思っています。

まずは抜き出したいのですが、手法が皆目見当がつきません。

よろしければ、ご教示いただけないでしょうか。
よろしくお願いいたします。

【抜き出し元】
<a href="http://item.rakuten.co.jp/shopname/c/0000000387/" target="_blank"><img src="http://image.rakuten.co.jp/shopname/cabinet/99999999/99999999/songbilong.jpg" border=0></a><BR><BR><table border="0" cellspacing="0" cellpadding="2">
<tr valign="top">
<td nowrap>
<a href="http://item.rakuten.co.jp/shopname/c/0000000386/">
ギフト対応
</a>
</td>
<td>
<img src="http://image.rakuten.co.jp/shopname/cabinet/raku_gift/img57886349.gif" alt="ラッピング対応" width="100" height="21" hspace="1">
<img src="http://image.rakuten.co.jp/shopname/cabinet/raku_gift/img57886347.gif" alt="のし対応" width="100" height="21" hspace="1">
<img src="http://image.rakuten.co.jp/shopname/cabinet/raku_gift/img57886348.gif" alt="のし記名可" width="100" height="21" hspace="1">
<img src="http://image.rakuten.co.jp/shopname/cabinet/raku_gift/img57886345.gif" alt="メッセージカード" width="100" height="21" hspace="1">
<img src="http://image.rakuten.co.jp/shopname/cabinet/raku_gift/img57886346.gif" alt="フリーメッセージ" width="100" height="21" hspace="1">
</td>
</tr>
</table> <BR><font size = 3 color = "magenta">
【商品説明】<BR>
</font>
<font size =2 color = "deeppink"><b>
<font size =3 color = "blue"></font><BR>とてもかわいい、スカートのような、<BR>
デニムのオーバーオールです。<BR>
胸ポケット、裾、後ろポケットには、<BR>
刺しゅうやストーンが施され、<BR>
凝ったデザインになっています。<BR>
肩ひも、ウエストは調節可能です。<BR>
</font></b>
<BR>
<P>【サイズ表】()は日本サイズ</P>
<P><TABLE WIDTH="200" BORDER="1" CELLSPACING="2" CELLPADDING="0">
<TR>
<TD WIDTH="16%"></TD>
<TD WIDTH="16%">
<P><CENTER>68cm(70~75cm)</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>74cm(75~80cm)</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>80cm(80~85cm)</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>86cm(85~90cm)</CENTER></TD>
</TR>
<TR>
<TD WIDTH="16%">
<P><CENTER>身丈</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>43cm</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>45cm</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>47cm</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>49cm</CENTER></TD>
</TR>
<TR>
<TD WIDTH="16%">
<P><CENTER>身幅</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>24cm</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>25cm</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>26cm</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>27cm</CENTER></TD>
</TR>
<TR>
</TABLE>
<BR>
【素材】<BR><BR>
綿100％<BR>
<BR>
【品質管理国・生産国】<BR><BR>
ブラジル・イギリス<BR>
<BR>

<font size = 2 color = orangered face="HGS創英角ポップ体">
【注意】　画面上と実物では多少色具合が<BR>
異なって見える場合もございます。<BR>
ご了承ください。<BR>
</font>
<BR><BR><BR><BR><BR><BR><BR><font size="1" color="white">◆68cm◆74cm◆80cm◆86cm青・水色</font>

【抜出先】
(1)
とてもかわいい、スカートのような、<BR>
デニムのオーバーオールです。<BR>
胸ポケット、裾、後ろポケットには、<BR>
刺しゅうやストーンが施され、<BR>
凝ったデザインになっています。<BR>
肩ひも、ウエストは調節可能です。<BR>
(2)
><TABLE WIDTH="200" BORDER="1" CELLSPACING="2" CELLPADDING="0">
<TR>
<TD WIDTH="16%"></TD>
<TD WIDTH="16%">
<P><CENTER>68cm(70~75cm)</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>74cm(75~80cm)</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>80cm(80~85cm)</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>86cm(85~90cm)</CENTER></TD>
</TR>
<TR>
<TD WIDTH="16%">
<P><CENTER>身丈</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>43cm</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>45cm</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>47cm</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>49cm</CENTER></TD>
</TR>
<TR>
<TD WIDTH="16%">
<P><CENTER>身幅</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>24cm</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>25cm</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>26cm</CENTER></TD>
<TD WIDTH="17%">
<P><CENTER>27cm</CENTER></TD>
</TR>
<TR>
</TABLE>
(3)
綿100％
(4)
ブラジル・イギリス
(5)
◆68cm◆74cm◆80cm◆86cm青・水色

回答No.1

sora1515

こう抜き出したい。という質問のようですが
当たり前ですが『どういう条件』でこう抜き出したい。

と書かないと答えようがありません。『』が抜けています。

例
最初に現れた【商品説明】の次から【サイズ表】までを抽出<font>だけは省く。
最初に現れた【商品説明】の次から【サイズ表】までを抽出<BR>以外の全てのタグは省く。
<font size="1" color="white">の次から</font>前までを抽出

第一１つ例をもらえば全て応用なので仕様を全て書く必要もありません。
やりたい事を書くから全部作ってくれに聞こえます。学ぶ気０

お礼

うーん。

ある程度具体的に道筋が見えている場合、
「この部分が具現化できないから助けてほしい」と言えますが
今回のことに関しては、その道筋がまだ見えない状態だったので、
具体例の抜出元に対して、抜き出し文言を例示することによって、
求めている結果を示したつもりです。

ご指摘の条件の詳細として、同時にタグを省けるなら一緒に省いた方が
それはよりよいですが、それはまた別の問題なので今回の質問をする上で
必須の条件だとは考えていませんでした。
これは自分で「正規表現」という単語をネットに見つけて、
特にこの質問と一緒にしなくても自分で解決できそうです。

なので、道筋が見えるきっかけでももらえたら質問を深化させることも
できますが、まずは…という状態でした。

しかし、正規表現でタグをすべて消したところ、
かなりやりたいことへの残作業が減った感じなので、
またちょっと色々とやってみます。

お返事頂けて、その親切心に感謝いたします。
ですが、相手の状況などへの配慮をせずに「学ぶ気０」と言えてしまう
あたりは、、、、いえ、やめておきます。
ありがとうございました。

補足

備忘的に…

正規表現の指定で<>で囲まれたものをすべて消去したところ、かなりさっぱりしました。

その後、抜き出したい項目のタイトルである【商品説明】、【素材】などをすべて「,」に変換し、エクセル標準機脳の区切り位置で「,」部分で区切ったところ、ある程度目的が達成され、
あとは愚直な単純作業×nを繰り返して、
目的のデータ抜出ができました。

サイズ表だけは<>タグ消去した時点でアウトなので、
ここだけは別途考えますが、
とりあえず目的達成できたので、回答を締め切らせて頂きます。