さくらVPS CentOS6.2でインターネット公報SGMLのスクレイピング

1. インターネット商標公報のダウンロード
2. 電子署名検証（TARP7→TAR形式）
インターネット利用による公報発行サイトにも書いておいたが、Windowsのクライアント上で、あらかじめ、


電子署名検証方法について（「特許庁公報電子署名検証プログラム」のダウンロード）


に従って、プログラム本体のダウンロードと電子署名検証を一度は試しておき、取得した以下のファイルをインターネット商標公報（TARP7形式）と同一ディレクトリに格納する。


・電子署名検証して取得したルート証明書（例：JPT_2013006_01-01_root.der）
・p7verify.jar


TARを解凍する。



3. ruby1.9のインストール
さくらVPS CentOS6.2にRuby(1.9.3-p392)をインストールでインストール済みの前提のため、割愛する。

（2013/2/24追記）
以下、Ruby 2.0.0-p0でも動くことを確認した。



4. hpricotのインストール
一部のHTMLパーサはSGMLの簡単なパースなら出来る模様。
不具合があるパターンがあれば、正規表現で抜くことになると思う。





5. gazette.rbの編集
サンプルとして、登録番号を取得するスクリプトを書いてみた。
公報SGMLはeuc-jpなので、エンコーディング周りには注意が必要。


各ファイルの詳細仕様については、公報仕様書を参照。2013年2月現在は、第8版が最新。
公報仕様　意匠、商標、公開・国際商標、審決 第8版について





6. gazette.rbの実行
以下のとおり表示されることを確認する。