[Débutant] Extraction du texte d'un fichier html avec StringTokenizer

**GuixInDaMixx** · 23/04/2008, 23h11

Bonsoir à tous,

Je suis sur l'écriture d'un programme permettant d'extraire le texte d'un fichier html et l'affiche sur la sortie standard. Ce fichier est lu depuis l'entrèe standard System.in.read (imposé par mon prof !) et je dois utiliser la classe StringTokenizer pour sa fonction de délimitation.

Le fichier html est du genre :
<html>
<head>
<title>mots à filtrer</title>
etc.

Voici ce que j'ai pu produire :

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
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
import java.io.*;
import java.util.*;
 
public class filtrage_texte
{
 
	public static void main(String[] args)
	{
		int entier = 0; // parameter initialization
		StringBuffer sb = new StringBuffer(); // buffer creation
 
		System.out.println(" ");
 
		while (entier!=-1) // condition
		{
				try
				{
					entier=System.in.read(); // reading
					sb.append((char)entier); // characters chains adding
				}
				catch (IOException e)
				{
					System.out.println(e.toString()); // error message displaying in case of error
				}
		}
 
		StringTokenizer st = new StringTokenizer(sb.toString(),"<>");
		String token = null;
 
		while (st.hasMoreTokens())
		{
			token = st.nextToken();
			if (!token.endsWith(">"))
			{
				System.out.print(token);
			}
		}
		System.out.println(" ");
	}
 
}

Ce cde ne me donne pas encore ce que je souhaite mais j'ai deux requêtes à vous soumettre :

Pouvez-vous m'indiquer si je suis sur la bonne voie et me donner quelques indices ? je ne cherches pas de solution toute faite !
La partie "lecture" fonctionne bien, mais j'ai systèmatiquement un caractère "?" qui vient se greffer au niveau du dernier caractère affiché, quelqu'un peut me dire pourquoi ?
ex :
...
/body
/html?

Merci d'avance et bonne soirée à tous.

**DevTeam_** · 24/04/2008, 08h39

Salut,

Tu chopes un "?" car tu testes la valeur d' "entier" avant de l'affecter, donc lors de ta dernière lecture, entier vaut "-1" mais tu le mets quand même dans ton StringBuffer.

Pour corriger ça, il faut mettre la lecture dans le while.

De même, pour ne pas tester le "endsWith", tu peux demander au StringTokenizer de ne pas te retourner le séparateur en lui passant "false" en 3è paramètre :

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
 
public class filtrage_texte {
  public static void main(String[] args) {
    try {
      while ((entier = System.in.read()) != -1) // condition
      {
        sb.append((char) entier); // characters chains adding
      }
    } catch (Exception e1) {
      e1.printStackTrace();
    }
 
    StringTokenizer st = new StringTokenizer(sb.toString(), "<>", false);
    String token = null;
 
    while (st.hasMoreTokens()) {
      token = st.nextToken();
      System.out.print(token);
    }
    System.out.println(" ");

**GuixInDaMixx** · 24/04/2008, 09h03

Bonjour,

Merci beaucoup pour ces corrections, je teste tout cela et je reviens

!

Bonne journée.

**GuixInDaMixx** · 26/04/2008, 13h30

Bonjour DevTeam_,

Merci pour ton aide : je n'ai effectivement plus le point d'interrogation à la fin de l'affichage de ce que le programme lit.

Néanmoins, je ne saisi pas pourquoi je devrait ajouter "false" dans le StringTokenizer, pourrais-tu préciser pourquoi ?

Je me permet de te rappeller que je ne dois afficher que les mots qui ne sont pas des balises HTML (compris en tre "<" et ">").

Bon après-midi !

**GuixInDaMixx** · 27/04/2008, 14h10

Bonjour,

Rien à faire, je ne parviens toujours pas à filtrer les balises, quelqu'un pourrait me filer un petit coup de main ?

Bon après-midi.

**muad'dib** · 27/04/2008, 14h43

Tu peux lire caractère par caractère et définir si tu dois oui ou non afficher ce caractere:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
String s = "<html><head><title>Mon titre</title></head><body>salut</body></html>";
boolean shouldShowChar = true;
 
for (int i = 0; i < s.length(); i++) {
   char c = s.charAt(i);
 
   if (c == '<') {
      shouldShowChar = false;
   } else if (c == '>') {
      shouldShowChar = true;
   } else if (shouldShowChar) {
      System.out.print(c);
   }
}

Après à toi d'adapter à ton besoin.

**GuixInDaMixx** · 27/04/2008, 14h50

Bonjour muad'dib,

Merci beaucoup pour ta réponse mais en fait, l'utilisation d'un StringTokenizer est impérative (et imposée). Oui, je sais...

**muad'dib** · 27/04/2008, 15h15

Ben dans ce cas tu adaptes

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
      String s = "<html><head><title>Mon titre</title></head><body>salut</body></html>";
      boolean shouldShowTok = true;
 
      StringTokenizer st = new StringTokenizer(s, "<>", true);
 
      while (st.hasMoreTokens()) {
         String tok = st.nextToken();
 
         if (tok.equals("<")) {
            shouldShowTok = false;
         } else if (tok.equals(">")) {
            shouldShowTok = true;
         } else if (shouldShowTok) {
            System.out.println(tok);
         }
      }

**GuixInDaMixx** · 27/04/2008, 15h27

cela fonctionne du tonnerre, merci beaucoup !

[Débutant] Extraction du texte d'un fichier html avec StringTokenizer

Langage Java

Discussions similaires

Partager

Partager