【青空文庫】青空文庫のXMLをパースしてみた

【青空文庫】青空文庫のXMLをパースしてみた 自分の読書用に青空文庫に掲載してあるXMLをパースしてみたよ。
青空文庫のXMLは仕様通りにキッチリ書いてあるものと、そうでないものがあり、ちょっと苦労した。

以下のクラスは基本的に「大見出し」と「中見出し」で区切って配列にして返すものだけど、面倒な処理は正規表現やexplodeでばっさり切り分けたりしてます。

---
このクラスを使って小説を転載したものは、以下のサイトで読めます。
　・多賀城[たがのき]小説投稿サイト
良かったら見てくださいませ。
---

/*
*   青空文庫XMLパーサ
*     2013/10/01
*/
class Aozora
{
  const         FROM_ENCODING = 'sjis-win';
  const         TO_ENCODING   = 'UTF-8';
  
  public        $filename;
  public        $title;
  public        $author;
  /*
    本文の階層構造
    
    大見出しがある場合
    bodies = array(
      '大見出し_01' => array( '中見出し_01' => '本文', '中見出し_02' => '本文', ... '中見出し_nn' => '本文' ),
      '大見出し_02' => array( '中見出し_01' => '本文', '中見出し_02' => '本文', ... '中見出し_nn' => '本文' ),
      '大見出し_03' => array( '中見出し_01' => '本文', '中見出し_02' => '本文', ... '中見出し_nn' => '本文' ),
              ...
      '大見出し_nn' => array( '中見出し_01' => '本文', '中見出し_02' => '本文', ... '中見出し_nn' => '本文' ) );
      
    大見出しが無い場合
    bodies = array( '中見出し_01' => '本文', '中見出し_02' => '本文', ... '中見出し_nn' => '本文' );
  */
  public        $bodies;
  public        $infomation;          // 小説情報
  public        $notes;               // 注
  public        $is_omidasi;
  public        $is_tyumidasi;
  
  private       $raw_text;
  private       $main_text;
  private       $biblio;
  
  public function __construct( $filename )
  {
    $this->filename = $filename;
    $this->raw_text = file_get_contents( $this->filename );
    $this->raw_text = mb_convert_encoding( $this->raw_text, self::TO_ENCODING, self::FROM_ENCODING );
    $this->bodies = array();
  }
  
  public function get_title()
  {
    return sprintf( '%s　(作者：%s)', $this->title, $this->author );
  }
  
  public function get_bodies()
  {
    return $this->bodies;
  }
  
  /**
    XMLパース本体
  */
  public function parse()
  {
    // 改行を全て消す
    $this->raw_text = preg_replace( '#[\n\r]+#i', '', $this->raw_text );
    $this->raw_text = preg_replace( '#[\s]+#i', ' ', $this->raw_text );
    
    // タイトルと著者を取得する
    $ret = preg_match( '#
(.*?)
#i', $this->raw_text, $temp_text );
    $this->title = $this->replace_imgtag( $temp_text[ 1 ] );
    $this->title = trim( $this->title );
    $ret = preg_match( '#
(.*?)
#i', $this->raw_text, $temp_text );
    $this->author = $this->replace_imgtag( $temp_text[ 1 ] );
    $this->author = trim( $this->author );
    
    // 付加情報を取得する
    $ret = preg_match( '#
(.*?)
#i', $this->raw_text, $temp_text );
    $this->infomation = $this->remove_htmltag( $temp_text[ 1 ] );
    $this->infomation = $this->add_return( $this->infomation );
    $this->infomation = trim( $this->infomation );
    
    // 本文を全て取得する
    $ret = preg_match( '#
(.*)
#i', $this->raw_text, $temp_text );
    $this->main_text = trim( $temp_text[ 1 ] );
    
    // 大見出しから切り出し
    $this->parse_omidasi();
    
  }
  
  /*
    大見出しがある場合の本文切り出し
  */
  private function parse_omidasi()
  {
    if( $this->is_omidasi( $this->main_text ) ) {
      // 大見出しがある場合
      $temp_text = explode( '
', $this->main_text );
      foreach( $temp_text AS $temp ) {
        if( trim( $temp ) == "" ) { continue; }
        if( !$this->is_omidasi( $temp ) ) { continue; }
        
        $ret = preg_match( '#(.*?)
(.*)$#', $temp, $temp_omidasi );
        $omidasi = $this->remove_htmltag( $temp_omidasi[ 1 ] );
        $omidasi = $this->replace_imgtag( $omidasi );
        $omidasi = trim( $omidasi );
        
        $this->bodies[ $omidasi ] = $this->parse_tyumidasi( $temp_omidasi[ 2 ] );
      }
    } else {
      // 大見出しがない場合
      $this->bodies[] = $this->parse_tyumidasi( $this->main_text );
    }
  }
  
  /*
    中見出しから本文切り出し
    @param $html 大見出し1つ分のテキスト または 本文全体のテキスト
  */
  private function parse_tyumidasi( $html )
  {
    $tyumidasi_array = array();
    if( $this->is_tyumidasi( $html ) ) {
      $temp_text = explode( '
', $html );
      foreach( $temp_text AS $idx => $temp ) {
        if( trim( $temp ) == "" ) { continue; }
        if( !$this->is_tyumidasi( $temp ) ) { continue; }
        
        $ret = preg_match( '#(.*?)
(.*)$#', $temp, $temp_tyumidasi );
        $tyumidasi = $this->remove_htmltag( $temp_tyumidasi[ 1 ] );
        $tyumidasi = $this->replace_imgtag( $tyumidasi );
        $tyumidasi = trim( $tyumidasi );
        
        $tyumidasi_array[ $tyumidasi ] = $this->remove_htmltag( $temp_tyumidasi[ 2 ] );
        $tyumidasi_array[ $tyumidasi ] = $this->replace_imgtag( $tyumidasi_array[ $tyumidasi ] );
        $tyumidasi_array[ $tyumidasi ] = $this->add_return( $tyumidasi_array[ $tyumidasi ] );
      }
    } else {
      $tyumidasi_array[ 1 ] = $this->remove_htmltag( $html );
      $tyumidasi_array[ 1 ] = $this->replace_imgtag( $tyumidasi_array[ 1 ] );
      $tyumidasi_array[ 1 ] = $this->add_return( $tyumidasi_array[ 1 ] );
    }
    return $tyumidasi_array;
  }
  
  /*
    大見出しがあるかどうか
  */
  private function is_omidasi( $html )
  {
    $ret = substr_count( $html, '' );
    if( $ret > 0 ) {
      $this->is_omidasi = true;
    } else {
      $this->is_omidasi = false;
    }
    return $this->is_omidasi;
  }
  
  /*
    中見出しがあるかどうか
  */
  private function is_tyumidasi( $html )
  {
    $ret = substr_count( $html, '' );
    if( $ret > 0 ) {
      $this->is_tyumidasi = true;
    } else {
      $this->is_tyumidasi = false;
    }
    return $this->is_tyumidasi;
  }
  
  /*
    余分なHTMLタグを除去する
  */
  private function remove_htmltag( $text )
  {
    return preg_replace( '#<(?:|/)(?:em|div|span|a|h3|h4|hr)[^>]*>#', '', $text );
  }
  
  /*
    画像タグを置き換える
  */
  private function replace_imgtag( $text )
  {
    return preg_replace( '#]+>#', "$1", $text );
  }
  
  /*
  * 改行を元に戻す
  */
  private function add_return( $text )
  {
    return preg_replace( '#]+>#', "\r\n", $text );
  }
}

以上です。