PerlでHTML文からテキスト文を抽出する法

文字コードの関係もあって失敗ばかりして困ってます。

HTML、XML文
↓
タグ除去
↓
プレーンテキスト

みたいなプログラムありませんか？　どうかおながいします。

単発質問に見えるが。

間違いなく単発質問だ。

回線切って首<以下略/>

</commnet>

すみません、まだ駆け出しの初心者なんで、、、

前に作った拙いプログラム張りますからちょっと待ってください。

初心者なら何でもして良いと？

s/<[^>]*>//g;

これだとタグが完全に取れないのですが・・・

while ($_ = <STDIN>) {
$_ =~ s/<[^>]*>//g;
print $_;
}

s/<[^>]*>/g

warata

なあ、ブラウザで、すべて選択してコピーすればタグ取れるぜ。
やってみろよ。

電
　波
　　を
　　　受
　　　　信
　　　　　し
　　　　　　ま
　　　　　　　す
　　　　　　　　た

うんこ

int c;
while((c=getchar()) != EOF)
if(c == '<') while((c=getchar()) != '>');
else putchar(c);

　≪
　≫
　≪
　≫
（゜ρ゜）
強い電波が出ています

Perl に関する質問は以下のスレにどうぞ。

Perlは結構使えるっぽいけどどうよ？
http://pc.2ch.net/test/read.cgi/tech/991994996/
Perlについての質問箱
http://pc.2ch.net/test/read.cgi/tech/1017736187/

天地爆裂
電波炸裂

なぜ上げる？

>>19
ごめんなさい。

>>19
ここ数日板の攪拌をしてる人がいるみたい。
すぐ落ちるし気にしなくていいんでない。

>>9 は複数行に跨ったタグを除去できない、ってだけの話だね。

つうか、きちんと動作するプログラム作りたいんだったら、
正規表現をLexerプログラムに翻訳しなおして、
微妙な境界条件や、エラー・リカバリをきちんと書くのが正道

つーか、HTML::Parser 使おう。

お前なんであげんの？

>>23 中身はExpadかな

# $str の中のタグを削除した $result を作る
# $tag_regex と $tag_regex_ は別途参照

$text_regex = q{[^<]*};

$result = '';
while ($str =~ /($text_regex)($tag_regex)?/gso) {
last if $1 eq '' and $2 eq '';
$result .= $1;
$tag_tmp = $2;
if ($tag_tmp =~ /^<(XMP|PLAINTEXT|SCRIPT)(?![0-9A-Za-z])/i) {
$str =~ /(.*?)(?:<\/$1(?![0-9A-Za-z])$tag_regex_|$)/gsi;
($text_tmp = $1) =~ s/</</g;
$text_tmp =~ s/>/>/g;
$result .= $text_tmp;
}
}

# Perlﾒﾓからのコピペ。よって
#
# 　〜 糸冬 了 〜

つーか、HTML::Parser 使おう。

>>25 expatの間違いだよな？
ちなみにHTML::Parserはw3cのlibwwwのパーサ(C)をベースに改良したものだ。

テキスト文
ストリング文字列
キャラクター文字
サウンド音
イメージ画像

perlfaq 読まない >>1 に死を！