Discussion :

[neril]

Bonjour à tous et toute. Je réalise un petit parser (un parser light dirons nous) qui me parse donc du HTML.
Je réalise ce parser en utilisant des expressions régulieres.
J'en arrive à ma question :

Lorsque j'ai la source suivante :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
<DIV STYLE="position:absolute; visibility:hidden; left:0; top:0; width:0; height:0;"> [<a href='./pages/03alhomepag.html'></a>] [<a href='http://www.lmsoft.com/'>Web Creator</a>] [<a href='http://www.lmsoft.com/'>LMSOFT</a>] </DIV>

et mon expression réguliere suivante :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
(?i)<a.*href=(\"|'){1}([^\"]*)(\"|'){1}[^>]*

qui me sers donc a récuperer tous les liens..
Lorsque je l'execute, je ne recupere qu'une seule entité (récupération du matcher.group(2):

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
 
http://www.matec-sa.com/pages/03alhomepag.html'></a>]
[<a%20href='http://www.lmsoft.com/'>Web%20Creator</a>]
[<a%20href='http://www.lmsoft.com/

Je ne récupère qu'une seule entite au lieu de 3 :
./pages/03alhomepag.html
http://www.lmsoft.com/
http://www.lmsoft.com/

Quelqu'un a t'il une idée pour me dépatouiller?

[adiGuba]

Salut,


Je vois deux problèmes dans ton expression regulière :

• Tu n'indique pas la simple quote dans le centre de ton expression : ([^\"]*)
• Ton .* pour ignorer tous les caractères entre le <a et le href est trop posséssif car il prend tous les caractères de la ligne. Tu dois utiliser .*? qui se contentera du bloc correspondant le plus petit.

Ce qui donne au final :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

(?i)<a.*?href=(\"|'){1}([^\"']*)(\"|'){1}[^>]*

Note : Les {1} sont optionnel puisque c'est la valeur par défaut...

Enfin, seul petit souci que cela puisse poser : si tu as un mélange de " et de ' au sein de ton attribut, par exemple : href="javascript:method('value')"

Tu obtiens alors une valeur tronqué : javascript:method( puisqu'il s'arrêtera à la première quote (simple ou double).

Tu peux éviter cela en séparant les deux cas :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

(?i)<a.*?href=(\"([^\"]*)\"|'([^\']*)')[^>]*

avec

1. group(1) qui contient tout le bloc de l'href avec les quotes doubles ou simples comprise (ex : "javascript:method('value')" )*
2. group(2) qui contient le contenu de href sans les quotes doubles, ou null si c'est des quote simple.
3. group(3) qui contient le contenu de href sans les quotes simples, ou null si c'est des quotes doubles.

a++

[neril]

Merci pour ta réponse