Discussion :

[manuso]

Bonjour,


J'ai quelques difficultés avec les regex, je voudrais apprendre à nettoyer une chaine, jusque là lorsqu'il s'agit de texte cela fonctionne

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

 $contenu = preg_replace('/<span class="stars4 " title="">(.*)<\/span>/isU','bonjour',  $contenu);

Mais maintenant, je ne comprends pas comment nettoyer une chaine, qui contient des balises différentes par exemple remplacer/supprimer tout ce qui est à l'intérieur de la balise SPAN Nowrap
Donc DIV - SPAN - STRONG et leur contenu par rien :

Code html :

Sélectionner tout - Visualiser dans une fenêtre à part

<span class="Nowrap"> <div class="estimation" alt="4/5">&nbsp;</div><span title="" rel="" class="">&nbsp;</span><strong class="" data-title="">1565</strong> </span>

J'ai essayé ceci cela ne fonctionne pas :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

 $contenu = preg_replace('/<span class="Nowrap"> (.*)<\/span>/isU',' ',  $contenu);

Merci de votre aide

[Bovino]

Pourquoi vouloir passer par une expression régulière ? strip_​tags ne te convient pas ?

[manuso]

La réponse n'est pas adaptée à la question strip_tags enlève les balises mais n'enlève pas les balises et le texte, je cherche une expression régulière pour enlever le tout !

[denissay]

Avec un parseur DOM, c'est beacoup plus aisé car les regex ne sont pas fait pour traiter le DOM... je te conseille PHP Simple HTML DOM Parser...

[CosmoKnacki]

Le problème est que quand ta balise <span> cible contient elle-même d'autres balises <span>, il y a ambiguïté sur la balise de fermeture et la première balise fermante rencontrée (vu que tu utilises un quantificateur non glouton) est, du coup, celle qui est choisie au lieu de la balise fermante correspondante.

Pour y remédier, la solution (regex) est d'utiliser la récursion:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

(<span\b[^>]*>(?>[^<]++|<(?!/?span\b)|(?1))*</span>)

cette pattern plus en détail:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
(                      # on ouvre un groupe capturant (le groupe 1)
    <span\b[^>]*>      # le tag d'ouverture
    (?>                # on ouvre un groupe atomique qui décrit le contenu possible entre le tag d'ouverture et de fermeture
        [^<]++         # tous ce qui n'est pas un <
      |                # OU
        <(?!/?span\b)  # un < qui ne soit pas le premier caractère d'une balise ouvrante ou fermante "span"
      |                # OU
        (?1)           # on répète le groupe de capture 1 (c'est ici qu'à lieu la récursion)
    )*                 # on ferme le groupe atomique et on le répète autant de fois que nécessaire (zéro ou plus)
    </span>            # jusqu'à la balise fermante
)                      # on ferme le groupe capturant

(NB: on peut remplacer (?1) par (?-1) pour se réfèrer au dernier group capturant ouvert.)

Pour ton cas précis on aboutit à une pattern du genre:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
$pattern = <<<'EOD'
~
# définition de sous patterns
(?(DEFINE)
    (?<span> (<span\b[^>]*>(?>[^<]++|<(?!/?span\b)|(?-1))*</span>) )  # la sous pattern nommée "span"
)
# la pattern principale
<span \s [^>]*? \b class \s* = \s* "Nowrap" [^>]* > # la balise ouvrante avec la classe Nowrap
(?> [^<]++ | \g<span> | <(?!/span) )*            # contenu possible
</span>                              # balise fermante
~xi
EOD;

Mais le problème avec le html c'est qu'il est difficile de faire une pattern totalement waterproof qui va éviter tous les pièges! Exemples:

• l'attribut "class" n'est pas forcément entre guillemets doubles
• l'attribut "class" peut contenir plusieurs valeurs
• le contenu entre les balises "span" peut contenir un commentaire dans lequel se trouve des balises ouvrantes ou fermantes "span"
• la balise fermante "</span>" peut tout simplement ne pas exister

Pour résoudre les deux premier points on peut remplacer "Nowrap" par (?>["'](?:[^"'\s]+\s+)*?\s*)?Nowrap(?:["'\s]|(?=>)).
Pour éviter les éventuelles balises "span" cachées dans les commentaires il suffit de chercher les commentaires avant les autres balises.

On obtient alors:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
$pattern = <<<'EOD'
~
# définition de sous patterns
(?(DEFINE)
    (?<comment> <!--.*?--> ) # la sous pattern pour les commentaires html
    (?<span> (<span\b[^>]*> (?> [^<]++ | \g<comment> | <(?!/?span\b) | (?-1) )* </span>) )  # la sous pattern nommée "span"
    (?<cible> \b class \s* = \s* (?>["'](?:[^"'\s]+\s+)*?\s*)?Nowrap(?:["'\s]|(?=>)) )
)
# la pattern principale
<span \s [^>]*? \g<cible> [^>]* > # la balise ouvrante avec la classe Nowrap
(?> [^<]++ | \g<comment> | \g<span> | <(?!/span) )*            # contenu possible
</span>                              # balise fermante
~xis
EOD;
$contenu = preg_replace($pattern, ' ', $contenu);

En ce qui concerne l'absence éventuelle de balise fermante, il faut faire un choix sur le comportement à adopter, et le choix le meilleur ne peut se faire qu'en fonction du contexte, mais là, on aboutit à un tout autre type de pattern.
C'est pour ce genre de subtilités que le traitement du html avec les regexs n'est pas toujours évident à mettre en œuvre.

L'utilisation du DOM pourrait alors apparaître comme la solution salvatrice, s'il ne présentait pas lui aussi quelques limitations:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
$dom = new DOMDocument();
@$dom->loadHTML($contenu);
$xpath = new DOMXPath($dom);
$spanNodes = $xpath->query('//span[contains(@class, "Nowrap")]');
 
foreach($spanNodes as $spanNode) {
   $spanNode->parentNode->removeChild($spanNode); 
}
$contenu = $dom->saveHTML();

Voilà, c'est un peu plus digeste et proche du langage naturel, quoi que les regex avec un peu de pratique, de présentation, et de commentaires...

Le soucis avec le DOM c'est qu'il doit construire "l'arbre" du document html avant de pouvoir le traiter (cette étape peut être coûteuse suivant la taille et la complexité du document.). Mais il va devoir procéder à des corrections si le document n'est pas conforme à ce qu'il attend, ce qui peut s'avérer problématique si l'on a l'intention de lui faire traiter des bouts de code html. Par exemple si je lui soumets la chaîne "<span>tata<span>titi</span>toto", celui ci me renverra généreusement:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body><span>tata<span>titi</span>toto</span></body></html>

sans que je lui ai demandé quoi que ce soit! Il faut donc se livrer à une acrobatie pour se débarrasser du doctype, des balises html et body, ce qui reste faisable. En revanche, on a absolument aucun contrôle sur la manière dont les balises de fermetures sont rajoutées (automatiquement à la toute fin du noeud parent).

[Aurélien LEQUOY]

CosmoKnack => intéressant ton post, peux tu donner un exemple qui marche avec son cas de figure ? (j'avoue ma méconnaissance de la récursion dans les regex et ça m’intéresse au plus au point)


sinon j'ai crée une lib pour ce genre de probleme : https://github.com/Esysteme/glial/bl...ct/Grabber.php

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
use \Glial\Extract\Grabber;
$content = 'text la<span class="Nowrap"> <div class="estimation" alt="4/5">&nbsp;</div><span title="" rel="" class="">&nbsp;</span><strong class="" data-title="">1565</strong> </span> text ici';
$str = Grabber::getTagContent($content , '<span class="Nowrap"', false);
$content = str_replace($str, '<span class="Nowrap"></span>', $content );
echo $content;

ce qui donne

Code html :

Sélectionner tout - Visualiser dans une fenêtre à part

text la<span class="Nowrap"></span> text ici'

[patrickbaras]

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
<?php
$contenu = '<span class="Nowrap"> <div class="estimation" alt="4/5">&nbsp;</div><span title="" rel="" class="">&nbsp;</span><strong class="" data-title="">1565</strong> </span>';
$contenu = preg_replace('/(?<=<span class="Nowrap">)(.*?)(?=<\/span>$)/iu','bonjour',  $contenu);
echo "<xmp>";
var_dump($contenu);
echo "</xmp>";

?>
donne
string(35) "<span class="Nowrap">bonjour</span>"