このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。

findElement

HTML ツリー内の要素の検出

構文

subtrees = findElement(tree,selector)

説明

subtrees = findElement(tree,selector) は、CSS セレクターに一致する tree 内の要素を返します。

例

HTML ツリー内の要素の検出

関数 webread を使用して、URL https://www.mathworks.com/help/textanalytics から HTML コードを読み取ります。

url = "https://www.mathworks.com/help/textanalytics";
code = webread(url);

htmlTree を使用して HTML コードを解析します。

tree = htmlTree(code);

findElement を使用して、HTML ツリー内のすべてのハイパーリンクを見つけます。ハイパーリンクは、要素名が "A" のノードです。

selector = "A";
subtrees = findElement(tree,selector);

最初のいくつかのサブツリーを表示します。

subtrees(1:10)

ans = 
  10×1 htmlTree:

    <A class="skip_link sr-only" href="#content_container">Skip to content</A>
    <A href="https://www.mathworks.com?s_tid=gn_logo" class="svg_link navbar-brand"><IMG src="/images/responsive/global/pic-header-mathworks-logo.svg" class="mw_logo" alt="MathWorks"/></A>
    <A href="https://www.mathworks.com/products.html?s_tid=gn_ps">Products</A>
    <A href="https://www.mathworks.com/solutions.html?s_tid=gn_sol">Solutions</A>
    <A href="https://www.mathworks.com/academia.html?s_tid=gn_acad">Academia</A>
    <A href="https://www.mathworks.com/support.html?s_tid=gn_supp">Support</A>
    <A href="https://www.mathworks.com/matlabcentral/?s_tid=gn_mlc">Community</A>
    <A href="https://www.mathworks.com/company/events.html?s_tid=gn_ev">Events</A>
    <A href="https://www.mathworks.com/products/get-matlab.html?s_tid=gn_getml">Get MATLAB</A>
    <A href="https://www.mathworks.com?s_tid=gn_logo" class="svg_link pull-left"><IMG src="/images/responsive/global/pic-header-mathworks-logo.svg" class="mw_logo" alt="MathWorks"/></A>

extractHTMLText を使用してサブツリーからテキストを抽出します。結果には、ページ上の各リンクから抽出したリンク テキストが含まれます。

str = extractHTMLText(subtrees);
str(1:10)

ans = 10×1 string
    "Skip to content"
    ""
    "Products"
    "Solutions"
    "Academia"
    "Support"
    "Community"
    "Events"
    "Get MATLAB"
    ""

入力引数

tree — HTML ツリー

スカラー htmlTree オブジェクト

HTML ツリー。スカラー htmlTree オブジェクトとして指定します。

selector — CSS セレクター

string スカラー | 文字ベクトル

CSS セレクター。string スカラーまたは文字ベクトルとして指定します。詳細については、CSS セレクターを参照してください。

出力引数

subtrees — 一致する HTML サブツリー

htmlTree 配列

一致する HTML サブツリー。htmlTree 配列として返されます。

詳細

HTML 要素

一般的な HTML 要素には、次のコンポーネントが含まれます。

• 要素名 – HTML タグの名前。要素名は、HTML ツリーの Name プロパティに対応します。

• 属性 – タグに関する追加情報。HTML 属性の形式は name="value" で、name と value はそれぞれ属性名と値を示します。属性は HTML の開始タグの内部に出現します。HTML ツリーから属性値を取得するには、getAttribute を使用します。

• コンテンツ – 要素のコンテンツ。コンテンツは HTML の開始タグと終了タグの間に出現します。コンテンツは、テキスト データまたは入れ子の HTML 要素です。htmlTree オブジェクトからテキストを抽出するには、extractHTMLText を使用します。htmlTree オブジェクトの入れ子の HTML 要素を取得するには、Children プロパティを使用します。

たとえば、HTML 要素 <a href="https://www.mathworks.com">Home</a> は、次のコンポーネントで構成されます。

コンポーネント		値	説明
要素名		a	要素はハイパーリンク
属性	属性名	href	ハイパーリンク参照
	属性値	"https://www.mathworks.com"	ハイパーリンク参照の値
コンテンツ		Home	表示するテキスト

CSS セレクター

CSS セレクターは、ツリー内の要素に一致するパターンを指定します。

次の表は、HTML ツリーからさまざまな HTML 要素を抽出する方法を示すいくつかの例を示しています。

タスク	CSS セレクター	例
すべての段落 (<p>) 要素を見つける。	"p"	findElement(tree,"p")
すべての段落 (<p>) 要素とリスト項目 (<li>) 要素を見つける。	"p,li"	findElement(tree,"p,li")
テーブル (<table>) 要素内にあるすべての段落 (<p>) 要素を見つける。	"table p"	findElement(tree,"table p")
".pdf" で終わるハイパーリンク参照属性 (href) 値をもつすべてのハイパーリンク (<a>) 要素を見つける。	"a[href$="".pdf""]"	findElement(tree,"a[href$="".pdf""]")
親の最初の子であるすべての段落 (<p>) 要素を見つける。	"p:first-child"	findElement(tr,"p:first-child")
親の最初の段落要素であるすべての段落 (<p>) 要素を見つける。	"p:first-of-type"	findElement(tr,"p:first-of-type")
親が段落 (<p>) 要素である強調 (<em>) 要素をすべて見つける。	"p > em"	findElement(tr,"p > em")
見出し 1 (<h1>) 要素の直後に出現するすべての段落 (<p>) 要素を見つける	"h1 + p"	findElement(tr,"h1 + p")
すべての空要素を見つける。	":empty"	findElement(tr,":empty")
空でないラベル (<label>) 要素をすべて見つける。	"label:not(:empty)"	findElement(tr,"label:not(:empty)")

関数 findElement は、セレクター ":lang"、":checked"、":link"、":active"、":hover"、":focus"、":target"、":enabled"、および ":disabled" を除き、CSS レベル 3 をすべてサポートしています。

CSS セレクターの詳細については、[1]を参照してください。

参照

[1] CSS Selector Reference. https://www.w3schools.com/cssref/css_selectors.php

バージョン履歴

R2018b で導入

参考

extractFileText | extractHTMLText | readPDFFormData | htmlTree | getAttribute | ismissing | tokenizedDocument

トピック

• HTML の解析およびテキスト コンテンツの抽出
• ファイルからのテキスト データの抽出
• 解析用のテキスト データの準備
• 分類用の単純なテキスト モデルの作成