Discussion :

[mouned]

salut,

j'ai un mini-projet qui consiste à créer un programme en java qui permet d'extraire des informations(tableau et liste) à partir d'une page web et les convertir en xml.

Pour etre mieux claire, le programme doit parser tout le code html et detecter par exemple
le debut et la fin d'un tableau (à l'aide des balises) et les convertir en xml.

Je veux savoir quelle API pourra me servir pour l'extraction , ou si vous connaissez un lien vers un document qui pourra m'aider.

Merci d'avance.

[joseph_p]

salut

regarde du côté de jtidy, cette librairie permettant tant de nettoyer une page html que, me semble t il, de la convertir en xhtml (qui est de l'xml donc ).

++

[jshems]

Salut,

regarde cet outil, il m'a servi lors d'un projet...
http://web-harvest.sourceforge.net/

[Pill_S]

j'ajouterais "HttpClient", de apache commons, pour éventuellement se logger sur la page web et manipuler les cookies, etc...

[jiddou]

Jtidy est ton ami

[fearyourself]

En fait, Fridi, on a fait un peu compliqué je pense sur le chat. J'y ai pensé hier soir :-)

Nous on a fait :

Passage de HTML vers structure Java

pour ensuite faire

Passage de la structure Java vers XML


Mais lorsque j'ai réfléchi, je me suis dit que sûrement la traduction HTML vers XML d'un tableau est direct.

Il suffit de transformer les balises quand on les lit et seulement afficher lorsque nous sommes dans le tableau.

On pourra en discuter sur le chat la prochaine fois que t'es connecté et tu pourras décider entre : finir le projet comme on l'a fait (ca ne coûte plus rien de le finir comme ca) ou le simplifier pour le faire comme je le dis ici.

Bon courage,
Jc