--- sidebar_label: "メディア抽出実践" title: "メディア抽出実践 - CyberGo html | 動画と音声抽出ガイド" description: "CyberGo html メディア抽出実践：動画の 3 ソーススキャン（生 HTML、DOM 走査、正規表現フォールバック）、音声の 2 ソース抽出、VideoInfo と AudioInfo のフィールド、Type によるファイルと embed 埋め込みの区別を詳しく解説します。" sidebar_position: 2 --- # メディア抽出実践 テキスト、画像、リンクに加えて、ライブラリは HTML から動画と音声リソースを抽出できます。本ガイドでは抽出メカニズムとフィールドの意味を詳しく解説します。 ## 抽出の概要 `Extract` を呼び出す際、動画と音声の抽出は DOM パースの後、コンテンツのフォーマット前に実行されます。結果はそれぞれ `Result.Videos` と `Result.Audios` に格納されます。 ```text DOM パース → 動画抽出（3 ソース） → 音声抽出（2 ソース） → フォーマット → Result ``` ## 動画抽出（3 つのソース） 動画抽出は以下の順序で実行され、各 URL は重複排除されるため、重複して収集されることはありません： | 順序 | ソース | 走査対象 | 説明 | |------|------|----------|------| | ① | 生 HTML スキャン | `iframe`/`embed`/`object` の `src`/`data` 属性 | 安全なサニタイズの**前に**実行され、サニタイズされる埋め込みタグが失われないようにします | | ② | DOM 走査 | `video`/`iframe`/`embed`/`object` 要素 | パースされた DOM ツリーを走査し、要素の属性と `` 子要素を読み取ります | | ③ | 正規表現フォールバック | 動画ファイル URL | HTML テキスト内の裸の動画リンクをスキャンします | :::tip なぜ生 HTML をスキャンするのか `iframe`、`embed`、`object` などの埋め込みタグは、安全なサニタイズ段階で削除される可能性があります。ライブラリはサニタイズの前に、生 HTML 文字列からこれらのタグのメディア URL を抽出することで、埋め込み動画がサニタイズによって失われないようにします。 ::: ### 正規表現フォールバックが対応する動画拡張子 ``` .mp4 .webm .ogg .mov .avi .wmv .flv .mkv .m4v .3gp ``` 正規表現は `http://` または `https://` で始まる完全な URL のみをマッチし、ファイル名の断片を誤ってマッチすることはありません。 ## 音声抽出（2 つのソース） | 順序 | ソース | 走査対象 | 説明 | |------|------|----------|------| | ① | DOM 走査 | `audio` 要素および `` 子要素 | `src` 属性または子 `` の `src`/`type` を読み取ります | | ② | 正規表現フォールバック | 音声ファイル URL | HTML テキスト内の裸の音声リンクをスキャンします | ### 正規表現フォールバックが対応する音声拡張子 ``` .mp3 .wav .ogg .m4a .aac .flac .wma .opus .oga ``` :::warning .ogg 拡張子は動画と音声の両方のリストに含まれます OGG はコンテナフォーマットであり、動画（Theora）または音声（Vorbis/Opus）を格納できます。拡張子 `.ogg` の URL は**動画でも音声でもある**と検出され、`Result.Videos` と `Result.Audios` の両方に同時に現れる可能性があります。音声専用のバリアント `.oga` は音声リストにのみ現れます。 ::: ## フィールドの詳細 ### VideoInfo | フィールド | 型 | 説明 | |------|------|------| | `URL` | `string` | 動画ソースのアドレス | | `Type` | `string` | 検出されたタイプ：MIME タイプ（例：`video/mp4`）または `embed`（iframe で埋め込まれたページ） | | `Poster` | `string` | `