Discussion :

[Angel-hybride]

Salut à tous !

J'ai un gros document html ou j'aimerais extraire des données...

Ces données sont toujours entre les mêmes balises, donc je me demandais si il est possible, avec les expressions régulières, de dire "je veux supprimer tout sauf ce qui est entre "_tab%22%7D">" et "</a></div>" ?
(désolé, je ne suis pas un pro, je le dis donc en "Français" lol )

Voila un apercu de mon html :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
_tab%22%7D">blablabla</a></div><a class=".....
_tab%22%7D">blobloblo</a></div><a class="....
...etc...

je cherche à "extraire" tout ce qui est entre
"_tab%22%7D">" et "</a></div>"
Voila le résultat que je cherche à obtenir :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
blablabla
blobloblo

C'est possible avec notepad ++ ? si oui comment ?

Merci beaucoup et désolé pour mes questions de noobs

[sabotage]

En mode expression régulière :
rechercher : _tab%22%7D">(.+)</a></div>remplacer par : $1

[Angel-hybride]

merci mais je pense qu'il manque un truc du genre .* au début ? (je sais pas)

Pour dire (en français désolé...) supprimer tout SAUF ce qui commence par _tab%22%7D"> et fini par </a></div>

J'ai essayé ça (mais ça ne marche pas) :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

.*_tab%22%7D">(.+)</a></div>.*

je suis sur qu'il manque pas grand chose ! lol

[sabotage]

Si tu as la réponse pourquoi tu ne corriges pas ?

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

.*_tab%22%7D">(.+)</a></div>.*

[Angel-hybride]

nos messages ont du ce croiser au moment ou j'éditais mon post, j'ai testé ça marche pas...

Ou plus précisément, ça semble marcher sur une ligne mais pas sur mon fichier de plus de 1000 lignes... je comprends pas pourquoi

[sabotage]

Sur l'exemple que tu donnes ça fonctionne.

[Angel-hybride]

oui effectivement ça marche, mais cela ne " m'épure " pas mon fichier... je ne comprends pas pourquoi...

Si je test sur 4 ou 5 lignes isolées, pas de prob, ça marche très bien, mais si je le fait sur tout mon fichier html, ça ne marche pas...

Je ne vois vraiment pas pourquoi

J'ai joint un bout de code en PJ pour montrer...

[CosmoKnacki]

Tu peux le faire avec cette pattern (et une version pas trop vieille de notepad++):

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
search: (?>[^_]++|_(?!tab%22%7D">[^<]++</a></div>))+(?>_tab%22%7D">([^<]++)</a></div>)?
replace: $1\n

pour le détail:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
(?>            # groupe atomique: va contenir tout ce qui n'est pas la partie recherchée. 
    [^_]++     # tous les caractères sauf "_", une ou plusieurs fois (possessif) 
  |            # ou
               # "_" non suivi par "tab%22%7D">...</a></div>"
    _(?!tab%22%7D">[^<]++</a></div>)  
)+             # on répète le groupe une ou plusieurs fois
(?>                 # groupe atomique: contient ce que l'on recherche
    _tab%22%7D">    # caractères littéraux: _tab%22%7D">
    ([^<]++)        # groupe capturant 1: tous ce qui n'est pas un "<"
    </a></div>      # caractères littéraux: </a></div>
)?                  # on rend ce groupe optionel pour pouvoir effacer les caractères après la dernière occurrence.

Un groupe atomique (?>...) est un groupe non capturant qui, une fois clos, interdit au moteur d'expression régulière de reculer caractère par caractère (backtracking) si la pattern échoue plus tard. Pour ce faire, quand le moteur de regex rencontre un groupe atomique, celui-ci n'a pas à enregistrer les positions de recule pour la sous chaine correspondante au groupe. En cas d'échec de la pattern après le groupe, alors que le moteur recule caractère par caractère pour voir si une autre solution est possible, arrivé à la sous chaine décrite par le groupe atomique, le moteur devra sauté directement avant le premier caractère décrit par le groupe pour poursuivre sa manœuvre de recule.

Un quantificateur possessif n'est rien d'autre qu'un groupe atomique qui ne dit pas son nom. En effet a++ et (?>a+) sont équivalents. C'est juste un raccourci syntaxique.

Pour vérifier que "_" n'est pas suivi par tab%22%7D">...</a></div>, on utilise un test avant négatif (?!...).


Tout ceci étant dit, on peut faire plus court mais moins performant avec:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

search: .*?(?:_tab%22%7D">(.+?)</a></div>|$)

[Angel-hybride]

Wahouu !! NIKEL ça marche super !!! Merci infiniment !

Et merci beaucoup pour toutes les précieuses explications qui me serviront certainement !

TOP !