Regex pour parser une page web

[cyberlp]

Bonjour,

J'avoue me perdre un peu dans les regex...

J'aimerais parser une page web et récupérer plusieurs éléments identifiables en fonction de leur emplacement dans la page.

Par exemple, pour une même page, récupérer tout ce qui est contenu entre :

Code :

<strong>(

et

Code :

alt></a>

sachant qu'il y a un saut de ligne mais à priori sans espace entre alt> et </a>. alt> correspond à la fin d'un code html d'image (<img src="url" alt>)

Ensuite, pour ce bloc de page récupérer, j'aimerais à nouveau au sein de ce bloc parser des éléments contenus entre certaines balises.

Merci par avance pour votre aide !

[stealth35]

y'a plein de sujets la dessus et tu me verras dire à chaque fois :
pour parser du HTML c'est DOMDocument

[cyberlp]

ok pour le parsing, je vais regarder cela même si je ne capte pas grand chose...

pour les regex, par contre, j'ai bien lu la doc ici (http://php.developpez.com/sources/?page=regexp) mais je ne comprends pas pourquoi ceci ne retourne rien :

Code :

1
2
3
4
$line=file_get_contents("monURL");
$pattern = "#<strong>(.*)Lien#s";
$titre = preg_match_all($pattern,$line,$regs);
echo $regs[0];

[stealth35]

Envoyé par cyberlp

je ne capte pas grand chose...

Envoyé par cyberlp

mais je ne comprends pas pourquoi ceci ne retourne rien

quitte a pas comprendre autant faire les choses en plus propre et utilise DomDocument

[rawsrc]

Envoyé par stealth35

y'a plein de sujets la dessus et tu me verras dire à chaque fois :
pour parser du HTML c'est DOMDocument

Tu le croiras ou pas mais j'ai lu ce fil rien que pour t'entendre dire que "pour parser du HTML c'est DOMDocument"
T'as une touche spéciale sur ton clavier ?

[stealth35]

Envoyé par rawsrc

Tu le croiras ou pas mais j'ai lu ce fil rien que pour t'entendre dire que "pour parser du HTML c'est DOMDocument"
T'as une touche spéciale sur ton clavier ?

vu l'heure du poste je me suis douté qu'on m'avait laissé la place

[Doc_xhtml]

Envoyé par cyberlp

ok pour le parsing, je vais regarder cela même si je ne capte pas grand chose...

Comme je l'avais écrit en d'autres endroits, je prévois de réaliser un tuto spécifiquement orienté (x)html. Par contre, je ne pense pas pouvoir l'écrire en 2011.

Envoyé par stealth35

tu me verras dire à chaque fois :
pour parser du HTML c'est DOMDocument

Pourquoi, Stealth, cette insistance par rapport au html ? Sans doute parce que la demande concernant html est plus fréquente que celle concernant des documents xml ?

En fait, pour parser n'importe code de type xml, qu'il soit html ou non, il faut utiliser DOMDocument, qui est une approche nettement plus rigoureuse et plus riche que de parser par regex, ces dernières devant être réservées à la seule analyse des noeuds texte terminaux. (L'effort de mise à niveau est certes plus conséquent. Par contre, une fois qu'on a "capté", on ne peut plus s'en passer...)

[Doc_xhtml]

Envoyé par cyberlp

Par exemple, pour une même page, récupérer tout ce qui est contenu entre :

Code :

<strong>(

et

Code :

alt></a>

Je ne sais pas (encore ?) traiter en DOM ce type de besoin, lorsqu'il faut lire un contenu à cheval sur deux balises. Le contenu d'une balise, c'est $balise -> nodeValue. Mais là, comment faire ?

[stealth35]

Envoyé par Doc_xhtml

En fait, pour parser n'importe code de type xml, qu'il soit html ou non, il faut utiliser DOMDocument, qui est une approche nettement plus rigoureuse et plus riche que de parser par regex, ces dernières devant être réservées à la seule analyse des noeuds texte terminaux. (L'effort de mise à niveau est certes plus conséquent. Par contre, une fois qu'on a "capté", on ne peut plus s'en passer...)

Suffit juste de savoir comment marche les regex et le DOM à la base, c'est du simple parcage de texte y'a pas de miracle