1500ったーのCSVから本文だけ取り出す(RTは除外)

extract1500tercsv.php

<?php
/**
 * 1500ったーのCSVから余分な情報をカット
 *
 * RTを含むツイート、行頭の1500ったーのナンバーとユーザー名と投稿日、行末の引用元URL
 * 文中のURL、返信宛先(@fooとか)をカット
 *
 * USAGE
 * このスクリプトと同じディレクトリに1500ったーのCSVを置き
 * コマンドプロンプトやターミナルから以下のとおり入力
 * 
 * php parse1500ter.php 1500ったーのCSVファイル名 出力先ファイル名
 * 
 * ※Windowsの場合は環境変数でPATHにPHPのディレクトリを追加していることが前提
 * 
 * 例
 * php parse1500ter.php input.csv output.csv
 */

error_reporting(-1);
$start_time = microtime(true);

$inputfile = $argv[1];
$outputfile = $argv[2];
$rules = array(
	#"RTQT" => "/.*(RT|QT) .*(\n|\r|$)/", // RTやQTを含むツイート
	#"num_user_date" => '/"[0-9]{1,4}",.*:[0-9]{2}","/', // 行頭の1500ったーの番号とユーザー名、投稿日
	#"cite_url" => '/","http:.*"/', // 行末の引用元URL
	"url" => "/https?:\/\/[A-z0-9&_\.\?\=\:\%\/]*/", // URL
	#"replyuser" => "/\@[A-z0-9_:]*/", // @ユーザー
);

echo $inputfile." からRTの行を削除し、ツイートのみを抽出します。\n";
$content = file_get_contents($inputfile);
foreach($rules as $rule){
	$content = preg_replace($rule,"",$content);
}
file_put_contents($outputfile,$content);

$taken_time = microtime(true) - $start_time;

printf ("処理が終了しました。結果は %s に出力します。\n処理時間 %f 秒\n", $outputfile, $taken_time);
?>