ホームページのソースからリンクのソース

何を使って正規表現検索するかにもよりますが、

<a.*?href.*?>.*?</a>

こんな感じでどうでしょうか。

対象ページ例のリンク先なら

リンクのURIはだいたい

href="<b>(.*)</b>"

みたいな感じで、物件の名前は

false;"><b>(.*)</b>

で取得できるっぽいので、sedで動くように書いたらこんな感じでした。

$ cat hoge.txt | sed -n "s/^.*href=\"\(.*\)\" .*false;\"><b>\(.*\)<\/b>.*$/<a href=\"http:\/\/www.jj-navi.com\\1\">\\2<\/a>/p"

あとは物に合わせて微調整ですが、なんとかなると思います。

リンク先はsedの使い方です。

http://www.linux.or.jp/JM/html/GNU_sed/man1/sed.1.html

(1) やや一般的な表現

アンカータグには、「href」以外にも複数の属性が指定される場合があるので、それらとごっちゃにならないよう注意する必要があります。

（例えば、「class="..."」、「onclick="..."」など）

 正規表現(1): <a .*href="([^"]*)".*>(.*)</a>

なお、前提条件として、(a)1行にアンカーは１つのみで途中に改行が入らないこと、(c)文字列の開始・終了記号は「"」、を仮定しています。

(2) もう少し踏み込んだ表現

　(1)の表現だと、リンク情報全般にマッチングしてしまうので、もう少し情報を加えて、絞り込みをしてみます。ちょうどマンション名は、ボールド指定されているので、以下のようにします。

 正規表現(2): <a .*href="([^"]*)".*><b>(.*)</b></a>

後は、正規表現にマッチングするパターンだけを取り出すプログラムを書けばOKということになります。rubyで書いたものを以下に示します。注意点としては、マッチングで抽出されたリンク情報は、相対アドレスとなっていることです。

open(ARGV[0]) {|file|
  while l = file.gets
    if /<a .*href="([^"]*)".*><b>(.*)<\/b><\/a>/ =~ l
       puts "<a href=\"http://www.jj-navi.com#{$1}\">#{$2}</a>"
    end
  end
}

whileループの中身が本質となるところで、ソースを１行ずつ読み込んで、正規表現にマッチングするかどうか判定し、成功した場合リンク情報を書き出しています。

該当部分に一致する正規表現を知りたいのではなく、該当部分のみを抜き出したいのですね。勘違いしていました。

emeditorは使ったことがないので分かりませんが、サクラエディタというテキストエディタならば、置換せずGrep検索の結果を出力するという方法があります。

サクラエディタの場合は、Grep検索（Ctrl+G）で検索条件に

<a.*?href.*?><b>.*?</b></a>

と入れて検索すれば、タグを含むマンション名が出てきます。