Récupérer une portion d'une div

[apt]

Bonjour à tous,

Dans le code suivant, j'aimerais récupérer les éléments suivants avec preg_match :

h1, div.article_metadata, div#article_body

Code :

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
<div id="article_holder">
	<h1>title1</h1>
	<div class="article_metadata">
		<span class="metadata_time">2011.06.08</span>
		<div class="article_auth">
			<img src="http://www.echoroukonline.com/ara/themes/rtl/img/fleche_orange.gif">name
		</div>
	</div>
	<div id="article_body">
		<p class="abstract"><strong></strong></p>
		<ul dir="rtl">
			<li><div></div></li>
			<li><div></div></li>
			<li><div></div></li>
			<li><div></div></li>
			<li><div></div></li>
		</ul>
	</div>
	<div id="autre"></div>
	<p class="nbreads"></p>
</div>

Comment faire cela ?

Merci.

[stealth35]

pour parser du HTML c'est DOMDocument

[apt]

Envoyé par stealth35

pour parser du HTML c'est DOMDocument

J'ai déjà utiliser le dom et xpath, mais j'ai un problème de codage.

Parce que dans l'affichage du résultat (il est en arabe), j'ai des caractères bizarre.

تصريØ*ات مثيرة للشغب
2011.06.08 سالم زواوي
على الرغم من Ø*ساسية المرØ*لة ÙˆØ*ساسية الأوضاع على كل الجبهات Ù�ÙŠ الجزائر، وعلى الرغم من ترشØ* هذا الوضع للانÙ�جار السياسي والاجتماعي Ù�ÙŠ أي Ù„Ø*ظة، Ù�إن الوزير الأول السيد Ø£Ø*مد أويØ*يى يواصل

Vois-tu pourquoi j'ai essayé d'avoir un résultat lisible avec preg_match ?

[stealth35]

ton script est bien en utf-8 ?

[apt]

Oui, le fichier est sauvegardé en UTF8 Without BOM.

Code :

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
<?php
header('Content-Type: text/html; charset=UTF-8');
//<!--meta http-equiv="Content-Type" content="text/html; charset=utf-8" /--> 
set_time_limit(0);
 
$sUrl = 'http://www.echoroukonline.com/ara/editorial/index.1.html';
$sUrlSrc = getWebsiteContent($sUrl,0);
 
// Load the source
$dom = new DOMDocument("UTF-8");
@$dom->loadHTML($sUrlSrc);
 
$xpath = new DomXPath($dom);
 
// ===================================      step 1 - links:
 
$vRes = $xpath->query("/html/body/div/div[2]/div/div[2]/div[4]/div/div/div/h2/a");
 
// ===================================      step 2 - titles:
 
$aLinks = $vRes->item(0)->getAttribute("href");
 
echo "<br />aLinks : ".$aLinks."<br />";
$sUrl2 = 'http://www.echoroukonline.com/ara/'.$aLinks;
 
echo "<br />sUrl2 : ".$sUrl2."<br />";
$sUrlSrc2 = getWebsiteContent($sUrl2,1);
 
@$dom->loadHTML($sUrlSrc2);
$xpath = new DomXPath($dom);
 
// ===================================      step 3 - titles:
 
$vRes = $xpath->query(".//*[@id='article_holder']/h1");
$aTitles= $vRes->item(0)->nodeValue;
 
// ===================================      step 4 - Metas:
 
$vRes = $xpath->query(".//*[@class='article_metadata']");
$aMetas= $vRes->item(0)->nodeValue;
 
//====================================      step 5 - descriptions:
 
$vRes = $xpath->query(utf8_encode(".//*[@id='article_body']"));
$aDescriptions= $vRes->item(0)->nodeValue;
 
//=============================
 
echo '<link href="css/styles.css" type="text/css" rel="stylesheet"/><div class="main">';
echo '<h1>Using xpath for dom html</h1>';
 
//echo "<br />".$aTitles."<br />".$aMetas."<br />".$aDescriptions."<br />";
 
echo "
<div class='unit'>
    <a href='{$sUrl2}'>{$aTitles}</a>
    <div>{$aMetas}</div>
    <div>{$aDescriptions}</div>
</div>";
 
echo '</div>';
 
// this function will return page content using caches (we will load original sources not more than once per hour)
function getWebsiteContent($sUrl,$f=0) {
 
	// our folder with cache files
    $sCacheFolder = 'cache';
 
    if(!is_dir($sCacheFolder)){
        mkdir($sCacheFolder,0777);
    }
 
    // cache filename
    if ($f == 0) {
        $sFilename = 'ech-'.date('YmdHi').'.html';
    } else {
        $sFilename = 'eftch-'.date('YmdHi').'.html';
    }
 
    if (!file_exists($sCacheFolder."/".$sFilename)) {
        $ch = curl_init($sUrl);
        $fp = fopen($sCacheFolder."/".$sFilename, 'w');
        curl_setopt($ch, CURLOPT_FILE, $fp);
        curl_setopt($ch, CURLOPT_HEADER, 0);
        curl_setopt($ch, CURLOPT_HTTPHEADER, Array('User-Agent: Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.15) Gecko/20080623 Firefox/2.0.0.15'));
        curl_close($ch);
        fclose($fp);
    }
    //return file_get_contents($sCacheFolder.$sFilename);
    return file_get_contents_utf8($sCacheFolder."/".$sFilename);
 
 
}
function file_get_contents_utf8($fn) {
     $content = file_get_contents($fn);
     return mb_convert_encoding($content, 'UTF-8',
         mb_detect_encoding($content, 'UTF-8, ISO-8859-1', true)
            );
}
 
?>

[stealth35]

ton file_get_contents_utf8 sert a rien le site est déjà en utf-8

[apt]

D'où vient le problème à ton avis ?

[stealth35]

réencode pas en utf-8

[apt]

Le code php est à nouveau sauvegardé sous encodage ANSI.

Testé.

Même problème d'affichage du rendu

[stealth35]

Envoyé par apt

Le code php est à nouveau sauvegardé sous encodage ANSI.

Testé.

Même problème d'affichage du rendu

fallait laisser l'utf-8, mais as tu bien enlever ta fonction file_get_contents_utf8 ?

[apt]

Envoyé par stealth35

fallait laisse l'utf-8, mais a tu bien enlever ta fonction file_get_contents_utf8 ?

Oui, je l'ai enlevé...mais rien de nouveau

[hazamor]

Je croix que c'est plus simple parser ce document HTML comme étant un XML, mais si vous voulez utiliser les expressions régulières alors ce code :

Code :

1
2
3
4
5
6
7
8
//pour h1
preg_match ('!<div id="article_holder">\s*<h1>(.*?)</h1>!s'  , $ch , &$matches1)
 
//pour div.article_metadata
preg_match ('!<div class="article_metadata">(.*?)</div>\s*<div id="article_body">!s'  , $ch , &$matches2)
 
//pour div#article_body
preg_match ('!<div id="article_body">(.*?)</div>\s*<div id="autre">!s'  , $ch , &$matches3)

[apt]

Envoyé par hazamor

Je croix que c'est plus simple parser ce document HTML comme étant un XML, mais si vous voulez utiliser les expressions régulières alors ce code :

Ça marche très bien, merci hazamor .

mais j'aimerais bien aussi utiliser la solution du dom si tu permets

[stealth35]

Envoyé par apt

Ça marche très bien, merci hazamor .

mais j'aimerais bien aussi utiliser la solution du dom si tu permets

Code :

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
$url = 'http://www.echoroukonline.com/ara/editorial/index.1.html';
 
$context = stream_context_create(array(
    'http' => array(
        'user_agent' => 'PHP',
        'header' => 'Accept: text/html'
    )
));
 
libxml_set_streams_context($context);
libxml_use_internal_errors(true);
 
$doc = new DOMDocument();
$doc->loadHTMLFile($url);
 
libxml_clear_errors();
 
$xpath = new DOMXPath($doc);
 
$query = $xpath->query('//h1');
$h1 = utf8_decode($query->item(0)->nodeValue);
 
var_dump($h1);

par contre les div n'existent pas dans le code source

[apt]

Envoyé par stealth35

[code]
par contre les div n'existent pas dans le code source

Ca veut dire qu'avec le DOMDocument on ne peut avoir des portions de code du document html ?

[stealth35]

Envoyé par apt

Ca veut dire qu'avec le DOMDocument on ne peut avoir des portions de code du document html ?

mais non
regarde bien , div.article_metadata, div#article_body n'existent pas

[apt]

Envoyé par stealth35

mais non
regarde bien , div.article_metadata, div#article_body n'existent pas

Tu veux dire dans la variable $doc ?

Si c'est le cas, comment vérifier l'existence des div en questions ?

[stealth35]

Envoyé par apt

Tu veux dire dans la variable $doc ?

Si c'est le cas, comment vérifier l'existence des div en questions ?

non dans ta page HTML d'origine

[apt]

Ah oui

Ce lien contient la listes de tout les articles :

http://www.echoroukonline.com/ara/ed...l/index.1.html

Mais dont je veux récupérer le contenu ce trouve dans le dernier article ajouté (le premier dans la liste), à savoir :

http://www.echoroukonline.com/ara/editorial/77456.html