Discussion :

[renaud26]

Bonjour à Tous,

Décidément les regex...c'est pas mon fort.
Soit une chaine :

aaaaaaaaaaaaaaaa bbbbbbbbbbbbb ccccccccccccc <a href="www.toto.com">chez toto</a> ddddddddddddddddddddddddd eeeeeeeeeeee <a href="www.tata.com">chez tata</a> eeeeeeeeee ffff

je voudrais supprimer le lien qui contient "tata" dans le href. Quand je dis supprimer, c'est virer toutes balises et attributs pour ne laisser que "chez tata".
Et bien sûr, le lien "toto" ne doit pas bouger...

[CosmoKnacki]

Est-ce que "tata" est dans le nom de domaine comme dans ton exemple ou est-il ailleurs dans la réalité? En d'autres termes, s'agit-il d'exclure un nom de domaine précis? Ou encore, s'agit-il de ne conserver que les liens du domaine "toto"?

[renaud26]

Bonsoir, en fait je cherche à faire en sorte de pouvoir chercher n'importe quel mot-clé dans le lien et à le virer si le mot clé matche.
J'ai bricolé ça, mais évidemment ça dégage tous les liens quand ça matche.
J'arrive aussi à virer le href le title, mais il reste des balises, des apostrophes...bref pas net.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
 
function nettoie_chaine_lien($texte){
	$dom = new DOMDocument;
	$dom->loadHTML($texte);
	foreach ($dom->getElementsByTagName('a') as $node) {
		if(strpos($node->getAttribute( 'href' ), "images/") !== false || strpos($node->getAttribute( 'href' ), "tata.com") !== false){
			$texte = preg_replace('#<a href=(.*)>(.*)</a>#siU','',$texte);
		}
	}
	return $texte;
}

[CosmoKnacki]

Tu peux faire un truc intéressant en utilisant XPath qui te permet des sélections assez précises, exemple:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
$keyword='pouet-pouet';
 
$dom = new DOMDocument;
libxml_use_internal_errors(true);
$dom->loadHTML($tonHTML, LIBXML_HTML_NODEFDTD | LIBXML_HTML_NO_IMPLIED);
$xp = new DOMXPath($dom);
 
// on ne sélectionne que les nœuds lien dont l'attribut href contient le mot-clef
$linksToRemove = $xp->query('//a[contains(@href, "'. $keyword .'")]');
 
foreach($linksToRemove as $link) {
    // on crée un fragment pour y copier tous les nœuds enfants du nœud lien 
    $fragment = $dom->createDocumentFragment();
    foreach ($link->childNodes as $childNode) {
        $fragment->appendChild($childNode->cloneNode(true));
    }
    // pour pouvoir ensuite remplacer le nœud lien par le fragment.
    $link->parentNode->replaceChild($fragment, $link);
}
 
echo $dom->saveHTML();
 
libxml_clear_errors();

NB: si tu travailles sur des "morceaux" de Html et pas sur un document complet (avec un élément racine "html"), pour éviter que libxml ajoute artificiellement un élément racine comme <p>...</p> autour du code html, tu dois prendre les devants en ajoutant toi-même un élément racine, et en extrayant tous les nœuds enfant de cette racine pour obtenir le résultat voulu. Il faut donc remplacer le chargement du document par:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

$dom->loadHTML('<div id="root">' . $tonHTML . '</div>', LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);

et afficher le résultat avec:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
foreach ($dom->getElementById('root')->childNodes as $child) {
    echo $dom->saveHTML($child);
}

[Invité]

Bonjour,

un pattern qui semble fonctionner (?*) :

Code php :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
<?php
$texte = 'aaaaa <b>bbbb</b> ccccc <a href="www.toto.com/blabla.php">chez toto</a> dddddddddd <a href="www.titi.com">chez titi</a> fffffffff <a href="www.tata.com">chez tata</a> eeeeeeeeee ffff ';

Code php :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
function nettoie_chaine_lien_preserve_content($texte, $href_to_suppr_array){
	$href_to_suppr_all = implode( '|', $href_to_suppr_array);
	$pattern = '#<a([^>])href=\"('.$href_to_suppr_all.')([^>]*)\"([^>]*)>(.*)<\/a>#Ui';
	$texte = preg_replace($pattern,'$5',$texte);
	return $texte;
}

Code php :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
$texte_nettoye = nettoie_chaine_lien_preserve_content( $texte, array('www.toto.com','www.tata.com') );
echo '<pre>'; print_r($texte_nettoye); echo '</pre>';
?>

Renvoie :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

aaaaa <b>bbbb</b> ccccc chez toto dddddddddd <a href="www.titi.com">chez titi</a> fffffffff chez tata eeeeeeeeee ffff

N.B. Mais je ne suis très loind d'être un spécialiste, comme KnackyHertaFromOuterSpace.
* (au moins 1h que je me casse la tête dessus... et juste par curiosité personnelle" !)

[renaud26]

A CosmoKnacki : wouaaaaaaaaawwwwwwwwwwwwwww !!!!!!!

Ah ouais...quand même...
C'est stratosphérique et ça fonctionne nickel !
Merci beaucoup !

PS : une question toutefois. A l'affichage le UTF-8 est un peu massacré. Qu'en est-il si j'insère tout ça dans la BDD ?

[renaud26]

A Jreaux62 : merci à toi d'avoir passé du temps sur ce petit casse-tête. Une heure ? Il m'aurait fallu un mois !
Ca fonctionne impec mais, contrairement à la proposition de CosmoKnacki (effectivement outer space ), ton regexp exige d'être précis quant aux mots-clefs.
Si je cherche "blablabla", le lien ne saute pas, bien que le href contienne le mot-clé.
Mais c'est déjà très bien.

[renaud26]

Bonjour à CosmoKnacki,

J'ai crée une fonction à partir de ton code, mais en tentant de passer un array de mots-clés au lieu d'une chaine $keywords :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

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
 
function nettoie_chaine_lien($texte){
	$dom = new DOMDocument;
	libxml_use_internal_errors(true);
	//$dom->loadHTML($tonHTML, LIBXML_HTML_NODEFDTD | LIBXML_HTML_NO_IMPLIED);
	$dom->loadHTML('<div id="root">' . $texte . '</div>', LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
	$xp = new DOMXPath($dom);
	$keywords = array("toto.com","tata.com"); 
	// on ne sélectionne que les nœuds lien dont l'attribut href contient le mot-clef
	foreach($keywords as $keyword){
		$linksToRemove = $xp->query('//a[contains(@href, "'. $keyword .'")]');
	}
 
	foreach($linksToRemove as $link) {
		// on crée un fragment pour y copier tous les nœuds enfants du nœud lien 
		$fragment = $dom->createDocumentFragment();
		foreach ($link->childNodes as $childNode) {
			$fragment->appendChild($childNode->cloneNode(true));
		}
		// pour pouvoir ensuite remplacer le nœud lien par le fragment.
		$link->parentNode->replaceChild($fragment, $link);
	}
 
	libxml_clear_errors();
	return $dom->saveHTML();
}

Mais du coup ça ne fonctionne plus.
J'ai parcouru la doc domXPATH mais je n'ai rien vu de particulier sur le fait de passer par un tableau.
Si tu passes par là...

[Invité]

Bonjour à CosmoKnacki,...

Bonjour non plus, alors.

Code php :

Sélectionner tout - Visualiser dans une fenêtre à part

	$pattern = '#<a([^>]*)href=\"([^>]*)('.implode( '|', $href_to_suppr_array).')([^>]*)\"([^>]*)>(.*)<\/a>#Ui';

Code php :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
<?php
$texte = '<p>aaaaa <b>bbbb</b> ccccc <a href="www.toto.com/blabla.php" title="tortor">chez toto</a>.</p>
<p>dddddddddd <a href="www.titi.com">chez titi</a>, <em>fffffffff <a title="tartar" href="http://www.tata.com">chez tata</a> eeeeeeeeee</em> ffff.</p>';
 
function nettoie_chaine_lien_preserve_content($texte, $href_to_suppr_array){
	$pattern = '#<a([^>]*)href=\"([^>]*)('.implode( '|', $href_to_suppr_array).')([^>]*)\"([^>]*)>(.*)<\/a>#Ui';
	return preg_replace($pattern,'$6',$texte);
}
 
$texte_nettoye = nettoie_chaine_lien_preserve_content( $texte, array('blabla','tata.com') );
echo $texte_nettoye;
?>

Donne :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
<p>aaaaa <b>bbbb</b> ccccc chez toto.</p>
<p>dddddddddd <a href="www.titi.com">chez titi</a>, <em>fffffffff chez tata eeeeeeeeee</em> ffff.</p>

[renaud26]

Bonjour non plus, alors.

Bonjour !
Loin de moi l'idée d'être impoli, c'est juste parce que mon post s'adressait particulièrement à lui: il parlait de sa suggestion.
Merci pour ton aide et ta proposition que je m'empresse de tester. Je reviens !

[renaud26]

Extra ! Ça fonctionne parfaitement et c'est très exactement ce dont j'avais besoin.
Je te remercie beaucoup pour ton aide précieuse.
Bon week-end.

[CosmoKnacki]

Dans ta fonction tu as écris:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
foreach($keywords as $keyword){
    $linksToRemove = $xp->query('//a[contains(@href, "'. $keyword .'")]');
}

Donc fatalement à chaque tour de boucle, l'ancienne valeur de $linksToRemove est écrasée par la nouvelle et seule les nœuds avec le dernier mot-clef seront traités dans la suite du code.

Attention si tu ajoutes artificiellement un élément racine <div id="root">...</div>, pour récupérer le résultat tu dois concaténer les chaînes de tous les nœuds enfants de cette élément racine (pour ne plus l'avoir dans le résultat), soit dans la fonction:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
$result = '';
foreach($dom->getElementById('root')->childNodes as $childNode) {
    $result .= $dom->saveHTML($childNode);
}
return $result;

Si tu veux rechercher plusieurs mots-clefs, tu peux le faire en modifiant le prédicat de la requête XPath:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

$linksToRemove = $xp->query('//a[contains(@href, "mot-clef1") or contains(@href, "mot-clef2") or ... or contains(@href, "mot-clefn")]';

Il suffit de générer dynamiquement la requête XPath:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
$keywords = ['mot-clef1', 'mot-clef2', 'mot-clef3'];
$query = '//a[contains(@href, "' . implode('") or contains(@href, "', $keywords) . '")]';
$linksToRemove = $xp->query($query);

Pour ce qui est du problème d'encodage, il suffit de le préciser en même temps que tu ajoutes l'élément racine avec une balise meta:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

$dom->loadHTML('<meta charset="UTF-8"/><div id="root">' . $texte . '</div>', LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);