Discussion :

[apt]

Bonjour à tous,

Dans le code suivant, j'aimerais récupérer les éléments suivants avec preg_match :

h1, div.article_metadata, div#article_body

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
<div id="article_holder">
	<h1>title1</h1>
	<div class="article_metadata">
		<span class="metadata_time">2011.06.08</span>
		<div class="article_auth">
			<img src="http://www.echoroukonline.com/ara/themes/rtl/img/fleche_orange.gif">name
		</div>
	</div>
	<div id="article_body">
		<p class="abstract"><strong></strong></p>
		<ul dir="rtl">
			<li><div></div></li>
			<li><div></div></li>
			<li><div></div></li>
			<li><div></div></li>
			<li><div></div></li>
		</ul>
	</div>
	<div id="autre"></div>
	<p class="nbreads"></p>
</div>

Comment faire cela ?

Merci.

[stealth35]

pour parser du HTML c'est DOMDocument

[apt]

pour parser du HTML c'est DOMDocument

J'ai déjà utiliser le dom et xpath, mais j'ai un problème de codage.

Parce que dans l'affichage du résultat (il est en arabe), j'ai des caractères bizarre.

تصريØ*ات مثيرة للشغب
2011.06.08 سالم زواوي
على الرغم من Ø*ساسية المرØ*لة ÙˆØ*ساسية الأوضاع على كل الجبهات Ù�ÙŠ الجزائر، وعلى الرغم من ترشØ* هذا الوضع للانÙ�جار السياسي والاجتماعي Ù�ÙŠ أي Ù„Ø*ظة، Ù�إن الوزير الأول السيد Ø£Ø*مد أويØ*يى يواصل

Vois-tu pourquoi j'ai essayé d'avoir un résultat lisible avec preg_match ?

[stealth35]

ton script est bien en utf-8 ?

[apt]

Oui, le fichier est sauvegardé en UTF8 Without BOM.

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
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
<?php
header('Content-Type: text/html; charset=UTF-8');
//<!--meta http-equiv="Content-Type" content="text/html; charset=utf-8" /--> 
set_time_limit(0);
 
$sUrl = 'http://www.echoroukonline.com/ara/editorial/index.1.html';
$sUrlSrc = getWebsiteContent($sUrl,0);
 
// Load the source
$dom = new DOMDocument("UTF-8");
@$dom->loadHTML($sUrlSrc);
 
$xpath = new DomXPath($dom);
 
// ===================================      step 1 - links:
 
$vRes = $xpath->query("/html/body/div/div[2]/div/div[2]/div[4]/div/div/div/h2/a");
 
// ===================================      step 2 - titles:
 
$aLinks = $vRes->item(0)->getAttribute("href");
 
echo "<br />aLinks : ".$aLinks."<br />";
$sUrl2 = 'http://www.echoroukonline.com/ara/'.$aLinks;
 
echo "<br />sUrl2 : ".$sUrl2."<br />";
$sUrlSrc2 = getWebsiteContent($sUrl2,1);
 
@$dom->loadHTML($sUrlSrc2);
$xpath = new DomXPath($dom);
 
// ===================================      step 3 - titles:
 
$vRes = $xpath->query(".//*[@id='article_holder']/h1");
$aTitles= $vRes->item(0)->nodeValue;
 
// ===================================      step 4 - Metas:
 
$vRes = $xpath->query(".//*[@class='article_metadata']");
$aMetas= $vRes->item(0)->nodeValue;
 
//====================================      step 5 - descriptions:
 
$vRes = $xpath->query(utf8_encode(".//*[@id='article_body']"));
$aDescriptions= $vRes->item(0)->nodeValue;
 
//=============================
 
echo '<link href="css/styles.css" type="text/css" rel="stylesheet"/><div class="main">';
echo '<h1>Using xpath for dom html</h1>';
 
//echo "<br />".$aTitles."<br />".$aMetas."<br />".$aDescriptions."<br />";
 
echo "
<div class='unit'>
    <a href='{$sUrl2}'>{$aTitles}</a>
    <div>{$aMetas}</div>
    <div>{$aDescriptions}</div>
</div>";
 
echo '</div>';
 
// this function will return page content using caches (we will load original sources not more than once per hour)
function getWebsiteContent($sUrl,$f=0) {
 
	// our folder with cache files
    $sCacheFolder = 'cache';
 
    if(!is_dir($sCacheFolder)){
        mkdir($sCacheFolder,0777);
    }
 
    // cache filename
    if ($f == 0) {
        $sFilename = 'ech-'.date('YmdHi').'.html';
    } else {
        $sFilename = 'eftch-'.date('YmdHi').'.html';
    }
 
    if (!file_exists($sCacheFolder."/".$sFilename)) {
        $ch = curl_init($sUrl);
        $fp = fopen($sCacheFolder."/".$sFilename, 'w');
        curl_setopt($ch, CURLOPT_FILE, $fp);
        curl_setopt($ch, CURLOPT_HEADER, 0);
        curl_setopt($ch, CURLOPT_HTTPHEADER, Array('User-Agent: Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.15) Gecko/20080623 Firefox/2.0.0.15'));
        curl_close($ch);
        fclose($fp);
    }
    //return file_get_contents($sCacheFolder.$sFilename);
    return file_get_contents_utf8($sCacheFolder."/".$sFilename);
 
 
}
function file_get_contents_utf8($fn) {
     $content = file_get_contents($fn);
     return mb_convert_encoding($content, 'UTF-8',
         mb_detect_encoding($content, 'UTF-8, ISO-8859-1', true)
            );
}
 
?>

[stealth35]

ton file_get_contents_utf8 sert a rien le site est déjà en utf-8