Parser à l'aide de DOM une balise XHTML imbriquée au lieu d'utiliser une Regex [Résolu]

[Doc_xhtml]

Bonjour,

Ce post fait suite à mon précédent post sur l'extraction d'une chaîne contenant un mot précis ("schtroumpf" dans mes exemples) et va faire plaisir à Stealth qui de façon répétée prône DOM pour parser du xhtml au lieu d'utiliser des regex. (Je lancerai tantôt une discussion sur le thème regex versus DOM).

J'ai besoin — c'est d'ailleurs le point clé de mon projet — de parser à coup sûr des balises du style

Code :

1
2
3
 
<p (ou span) (éventuellement id="Identificateur") class="class1 class2 schtroumpf class3" (éventuellement style="règles de style")>(éventuellement <span class="Comment">Texte du commentaire</span>)
informations concernant la seule class schtroumpf</p> (ou </span>)

Je ne connais pas à l'avance les class autres que schtroumpf appliquées au paragraphe ou au span, ni l'identificateur éventuel, ni les règles de style, ni la présence ou non du commentaire.

Comment concrètement (s'il vous plaît !) procéder pour parser ces balises et récupérer :

1) la balise entière (que je dois remplacer après traitement des informations contenues dans la balise)

2) l'ensemble des class appliquées sous forme de chaîne (je peux avoir besoin de connaître les autres class appliquées en dehors de la class schtroumpf)

3) le texte du commentaire éventuel (que je dois traiter séparément)

4) les informations principales concernant la class schtroumpf, c'est-à-dire le contenu de la balise <p ou span class="xxx schtroumpf xxx"> [...] </p> ou </span>


Un grand, grand merci d'avance

[David Guillot]

Ma suggestion est clairement de regarder du côté de XPath. Regarde le plus ancien commentaire de cette page de la doc PHP, renseigne-toi sur la syntaxe XPath pour trouver des sous-éléments et des valeurs d'attributs, et tu auras gagné

[Doc_xhtml]

Merci David de ta réponse, et pardon de ne pas t'avoir répondu plus tôt (j'étais en déplacement)

Bien évidemment, j'avais consulté la doc Xpath et avais effectué pas mal d'essais infructueux avant d'adresser, en dernier recours, mon post de demande d'aide.

Apparemment, je suis encore très loin de maîtriser les concepts nécessaires.
J'ai cependant pu, au bout de quatre heures de tâtonnements, mettre en oeuvre la solution suivante (le code est inclus dans une fonction ; $text_area est le texte html à analyser :

Code :

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
 
$text_area_xhtml = new DOMDocument();
		$text_area_xhtml -> loadHTML('<?xml encoding="UTF-8">'.$text_area);
		$text_area_xpath = new DOMXPath($text_area_xhtml);
 
		$with_class = $text_area_xpath -> query('//*[@class]//@*');
		foreach($with_class as $class)
		{
			$type_balise = $class -> nodeName;
			$contenu_balise = $class -> nodeValue;
 
			if(strpos($contenu_balise, 'My_class')!== false)
			{
				$balise_parente = $class -> parentNode;
 
				$balise_entiere = new DOMDocument();
				$balise_entiere -> appendChild($balise_entiere -> importNode($balise_parente, true));
				$balise_entiere = html_entity_decode($balise_entiere -> saveHTML());
				echo "Balise entière = " . $balise_entiere . "\n";
 
			}
 
		}

Ce code peut probablement être amélioré. Merci d'avance pour vos suggestions.


Concernant la question de fond regex ou DOM - XPath, je pense que j'utiliserai les regex lorsqu'elles peuvent facilement être définies et qu'elles permettent de sélectionner à coup sûr l'élément recherché, et que je réserverai DOM - Xpath pour les cas où la recherche par regex ne peut suffire.

Car, dans l'état actuel de ma pratique et de ma compréhension de DOM - Xpath, le coût horaire de cette approche est beaucoup trop élevé par rapport à l'approche regex. (En particulier, le blocage sur la question objet de ce post m'aura coûté cher.)


PS : Pourquoi echo supprime-t-il les caractères accentués ? Quand je demande
echo "balise entière = "
le résultat affiché est « balise entire ».
Comment faire pour que echo affiche les caractères accentués ?

[stealth35]

Code :

1
2
3
4
5
6
7
$doc = new DOMDocument();
$doc->loadHTMLFile('test.html');
 
$xpath = new DOMXpath($doc);
$query = $xpath->query(sprintf("//*[contains(concat(' ', normalize-space(@class), ' '), ' %s ')]", 'schtroumpf'));
 
echo $doc->saveHTML($query->item(0));

@Doc_Xhtml : pour l'encodage du HTML loadHTML fonctionne avec la balise <meta> et non pas une ouverture XML (même si ça marche ce n'est pas correct) et malheureusement DOMDocumentFragment n'est pas de méthode appendHTML

[Doc_xhtml]

Merci Stealth !

Comme flashub, je suis émerveillé et impressionné devant la puissance de DOM quand il est utilisé avec une telle virtuosité.

Je pense que je vais sérieusement approfondir la question pour tenter de n'utiliser in fine que des expressions DOM - Xpath - SimpleXML pour rechercher des éléments et n'utiliser des regex que pour l'analyse textuelle proprement dite des éléments trouvés.

Merci encore ! Et bravo !

[stealth35]

oui je compte sur toi pour porter le flambeau de ton pseudo,
alors avec DOMXPath y'a une méthode plus complète de Xpath c'est evaluate, et ta accès a d'autre fonction, par exemple compter combien y'a de div, au lieur de faire //div faire une boucle, incrémenté une variable, tu fait direct count(//div) et evaluate te renvoie par exemple 3, malheureusement sous PHP c'est que du Xpath 1.0

[Doc_xhtml]

Envoyé par stealth35

Code :

Bonjour Stealth,

Peux-tu me préciser la signification et le rôle du paramètre '%s' dans la fonction contains ci-dessus ?

Merci par avance

[stealth35]

Envoyé par Doc_xhtml

Bonjour Stealth,

Peux-tu me préciser la signification et le rôle du paramètre '%s' dans la fonction contains ci-dessus ?

Merci par avance

c'est pour sprintf

[Doc_xhtml]

Merci de ta prompte réponse.

Je comprends : %s signifie « remplacer par la chaîne donnée dans l'argument suivant le format, c'est-à-dire dans le cas présent "schtroumpf" ».

Mais pourquoi ne pas écrire directement

Code :

$query = $xpath->query(sprintf("//*[contains(concat(' ', normalize-space(@class), ' '), ' schtroumpf ')]"));

[stealth35]

on fait comme on veux, j'ai juste plus jolie a la lecture surtout quand il faut mettre une variable

[Doc_xhtml]

Compris !

Donc si

Code :

$className = 'schtroumpf'

il faut écrire

Code :

$query = $xpath->query(sprintf("//*[contains(concat(' ', normalize-space(@class), ' '), ' %s ')]", $className'));