FGALDC 15 /RE:18387 RE:改行の削除  こんにちは、耳而夢斎 さん 》 vwx のオプションを常駐後に変更するってところが,一番怪しいような気も 》しますけれど,ゴミが末尾に付くのは,テンポラリの異常という気もします。 とりあえず解決しました。 原因は zh- でした。これを zh+ とすることにより、私の妖しい editfile を使 った常用環境でも正常に置換を行わせる事ができました。 う〜ん、vwx の -x3 オプションのせいかなぁ。 いやぁ、いい勉強になりました。 》 A というオプションは見当たりませんが(^^;。 私の手持の vwx のドキュメントには、アーカイブオプションとして記載してあり ます。耳而夢斎さんのところにないとすると、きっと私の手元にあるのは偽物な んでしょう。そうだ、だから挙動が怪しいんだな。 》どこまで対応するかというのは好みの部類に属するのではないでしょうか。HTML 結局あきらめました。 そもそも、HTML4 に対応するとなると CSS にも対応したくなってしまいますが、 とてもそんな技量はないので、潔く HTML3.2 対応という事にしておきます。 》》 #56 "<\([^/][^>]*\)>\n" #m "<\1>" #m "ay" 》》 #56 "\n]*\)>" #m "" #m "ay" 》 vwx の正規表現の中では \n など VZ で定義されている特殊文字が通らない 》のではないでしょうか。結果的に検索の段階で失敗していると思います。 ところが、これも zh+ にしてやることで、無事に置換に成功しました。 実際、タグの中には img タグの alt 属性とか、font タグの face 属性などのよ うに、2バイト文字が混ざることがありますよね。vwx の -x3 のせいか、zh- だ と正規表現の1文字は1バイト文字しかヒットしなくなってしまうようです。 ちなみにこの部分、現在は以下のようになっています。 #56 "<\([^/][^>]*\)>\n" #m "<\1>" #m "AY" #56 "\n タグと

タグ が入っています。逆に
タグはほとんどな かったと思います。 n で始まるファイルは、本文全体が

 タグで囲まれています。そのため、フ
ァイルサイズの割にはタグ数が少なくなっています。
s で始まるファイルは、改行コードが $0D の1バイトです。
と言うように、それぞれ癖があります。

タグ削除マクロのほうですが、hotmilk は syo 様作の名作です。
ただし、タグ内部に改行のあるものはきちんと削除してくれません。
htm2text は、現在作成中の、1文字ごとにカーソルを動かすと言うロジックで
作っているものです。
htm2txt改は、16階#2342 のものに対して以下の改良を加えたものです。

・ローカル20番先頭に以下を付け加えました。
        rx[+, zh[+,
        #56 "<\([^>]*\)\n" #m "<\1 " #m "AY"
        #56 "<\([^/][^>]*\)>\n" #m "<\1>" #m "AY"
        #56 "\n]*>" #m "\n・" #m "ay"

その他は一切変えていません。

さて、結果はごらんの通り。
実は、この結果をそのまま MS-EXCEL の分析ツールを使って重回帰分析しようと
思ったのですが、あれって直線回帰しかやってくれないようなんですね。
っていうか、そもそも手作業であっても非線型回帰をしようとすると途端に面倒
になるので、各パラメータ毎に線形回帰をやってみました。
その結果は、面白いものでしたね。

hotmilk はタグ数との相関が一番高かったです。タグを削除する、というロジッ
クがそのままストレートに現れています。
一方、htm2text はバイト数との相関が一番高いのはそういうように作っているか
らなのですが、下駄履きと言うか、定数部分があるのですよね。これは、上の表
を見てもわかると思いますが、どんな小さいファイルでも一定の時間がかかるけ
れど、直線の傾きと言うか、増加率が小さいので、ある程度大きいファイルにな
ると hotmilk よりも短い時間で処理が終わります。
で、問題は htm2txt改。どう見ても直線ではなく、曲線で増加しているようなん
ですが、とりあえず直線回帰をしてみました。結果は、一番相関が高いのは行数
だ、とでたのですが、う〜ん、どうなのかなぁ。確かに、実行させてみると、改
行の空白化で時間がかかっているような挙動を示してはいるのですが、うむぅ。

                                としき