次へ: 5 一覧部分の取得 上へ: AWK による HTML ファイルの整形 その 2 前へ: 3 複数のデータファイルの処理 (PDF ファイル: awkwww2.pdf)

4 タイトルと日付の取得

この節では、タイトルと日付の取得を考えます。 これは、<b><font size=+1> という行がここにしかないようなので、 簡単のためにこれを利用してこの行を取得し、 その次の行も getline で取得することにします。 不要なタグ部分は、sub() で削除します。

• getline: 現在の入力行の次の行を読みこんで それを新たな現在行とし $0 等に代入する。 読み込みに成功すると 1, ファイルの最後に達した場合は 0, 読み込みに失敗したら $-1$ を返す。
• sub(r,s,c): 文字列 $c$ (省略した場合は現在の入力行 $0) の、正規表現 $r$ に最初にマッチした部分を文字列 $s$ で置きかえる

タイトルと日付は最初のファイルから取得すればいいので、 ARGIND が 1 のときにだけ取得します。

  ##### タイトルや日付の取得 #####
  (ARGIND == 1 && $0 ~ /<b><font size=\+1>/){
      sub(/.*<b><font size=\+1>/,"")
      sub(/<\/font><\/b>.*/,"")
      title=$0
      getline
      sub(/.*<small> - /,"")
      sub(/<\/small>.*/,"")
      date=$0
  }

正規表現は / / で囲んで指定します。 + は正規表現では特別な意味 (1 回以上の繰り返し) を持ちますので、 \ でエスケープする必要があります。 また、.* という正規表現は、

. = 任意の 1 文字
.* = 任意の 1 文字の 0 文字以上の繰り返し

ということで、 すなわち「空文字列も含む任意の文字列」ということを意味しています。 よって、例えば sub(/<\/small>.*/,"") は、

</small> とその後につながる任意の文字列を、 空文字列 "" に変換

することを意味します。

次へ: 5 一覧部分の取得 上へ: AWK による HTML ファイルの整形 その 2 前へ: 3 複数のデータファイルの処理