Discussion :

[Roland Chastain]

Bonjour !

A l'occasion d'une question posée dans le forum, j'ai voulu voir si j'arriverais à fabriquer un outil qui remplacerait les caractères spéciaux d'un document HTML par les "entités" correspondantes (et inversement).

J'ai pensé qu'il fallait que je commence par me procurer une table. J'ai donc pris une copie de cette (jolie) page, et j'ai écrit un petit programme pour en extraire les données intéressantes. J'ai obtenu un fichier qui se présente ainsi :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
	 	 	

 
 
 
! ! !

Maintenant je pense à fabriquer une unité à partir de ce fichier, mais je bute sur un problème, qui est de produire les caractères correspondants à partir de leur code, pour les mettre dans un tableau avec les données que j'ai déjà. Mais ça, je ne sais pas comment le faire. A moins de me limiter aux caractères ASCII (qui peuvent être produits au moyen de la fonction Chr) ?

Suis-je sur la bonne route ? Auriez-vous des conseils à me donner ?

[Roland Chastain]

Bon, après avoir fait quelques recherches sur le sujet, j'ai décidé de me limiter aux caractères ASCII.

Voici la fonction CharToEntity. Qu'en pensez-vous ?

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
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
function CharToEntity(c: char): string;
begin
  result := '';
  case c of
    '!': result := '!';
    '"': result := '"';
    '#': result := '#';
    '$': result := '$';
    '%': result := '%';
    '&': result := '&';
    '''': result := ''';
    '(': result := '(';
    ')': result := ')';
    '*': result := '*';
    '+': result := '+';
    ',': result := ',';
    '.': result := '.';
    '/': result := '/';
    ':': result := ':';
    ';': result := ';';
    '<': result := '&lt;';
    '=': result := '&equals;';
    '>': result := '&gt;';
    '?': result := '&quest;';
    '@': result := '&commat;';
    '[': result := '&lsqb;';
    '\': result := '&bsol;';
    ']': result := '&rsqb;';
    '^': result := '&Hat;';
    '_': result := '&lowbar;';
    '`': result := '&grave;';
    '{': result := '&lcub;';
    '|': result := '&verbar;';
    '}': result := '&rcub;';
    '*': result := '&nbsp;';
    '¡': result := '&iexcl;';
    '¢': result := '&cent;';
    '£': result := '&pound;';
    '¤': result := '&curren;';
    '¥': result := '&yen;';
    '¦': result := '&brvbar;';
    '§': result := '&sect;';
    '¨': result := '&Dot;';
    '©': result := '&copy;';
    'ª': result := '&ordf;';
    '«': result := '&laquo;';
    '¬': result := '&not;';
    '*': result := '*';
    '®': result := '&reg;';
    '¯': result := '&macr;';
    '°': result := '&deg;';
    '±': result := '&plusmn;';
    '²': result := '&sup2;';
    '³': result := '&sup3;';
    '´': result := '&acute;';
    'µ': result := '&micro;';
    '¶': result := '&para;';
    '·': result := '&middot;';
    '¸': result := '&cedil;';
    '¹': result := '&sup1;';
    'º': result := '&ordm;';
    '»': result := '&raquo;';
    '¼': result := '&frac14;';
    '½': result := '&frac12;';
    '¾': result := '&frac34;';
    '¿': result := '&iquest;';
    'À': result := '&Agrave;';
    'Á': result := '&Aacute;';
    'Â': result := '&Acirc;';
    'Ã': result := '&Atilde;';
    'Ä': result := '&Auml;';
    'Å': result := '&Aring;';
    'Æ': result := '&AElig;';
    'Ç': result := '&Ccedil;';
    'È': result := '&Egrave;';
    'É': result := '&Eacute;';
    'Ê': result := '&Ecirc;';
    'Ë': result := '&Euml;';
    'Ì': result := '&Igrave;';
    'Í': result := '&Iacute;';
    'Î': result := '&Icirc;';
    'Ï': result := '&Iuml;';
    'Ð': result := '&ETH;';
    'Ñ': result := '&Ntilde;';
    'Ò': result := '&Ograve;';
    'Ó': result := '&Oacute;';
    'Ô': result := '&Ocirc;';
    'Õ': result := '&Otilde;';
    'Ö': result := '&Ouml;';
    '×': result := '&times;';
    'Ø': result := '&Oslash;';
    'Ù': result := '&Ugrave;';
    'Ú': result := '&Uacute;';
    'Û': result := '&Ucirc;';
    'Ü': result := '&Uuml;';
    'Ý': result := '&Yacute;';
    'Þ': result := '&THORN;';
    'ß': result := '&szlig;';
    'à': result := '&agrave;';
    'á': result := '&aacute;';
    'â': result := '&acirc;';
    'ã': result := '&atilde;';
    'ä': result := '&auml;';
    'å': result := '&aring;';
    'æ': result := '&aelig;';
    'ç': result := '&ccedil;';
    'è': result := '&egrave;';
    'é': result := '&eacute;';
    'ê': result := '&ecirc;';
    'ë': result := '&euml;';
    'ì': result := '&igrave;';
    'í': result := '&iacute;';
    'î': result := '&icirc;';
    'ï': result := '&iuml;';
    'ð': result := '&eth;';
    'ñ': result := '&ntilde;';
    'ò': result := '&ograve;';
    'ó': result := '&oacute;';
    'ô': result := '&ocirc;';
    'õ': result := '&otilde;';
    'ö': result := '&ouml;';
    '÷': result := '&divide;';
    'ø': result := '&oslash;';
    'ù': result := '&ugrave;';
    'ú': result := '&uacute;';
    'û': result := '&ucirc;';
    'ü': result := '&uuml;';
    'ý': result := '&yacute;';
    'þ': result := '&thorn;';
    'ÿ': result := '&yuml;';
  end;
end;

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
var
  s: string;
  i: integer;
  e: string;
 
begin
  s := 'général';
  i := 1;
  while i <= Length(s) do
  begin
    e := CharToEntity(s[i]);
    if e <> '' then
    begin
      Insert(e, s, i);
      Delete(s, i + Length(e), 1);
      Inc(i, Length(e));
    end else
      Inc(i);
  end;
  WriteLn(s);
end.

P.-S. Je viens de m'apercevoir que le code ne s'affiche pas correctement : certaines entités sont remplacées par le caractère correspondant.

[Roland Chastain]

Maintenant, imaginons que je veuille traiter, au moyen de ma fonction, un document HTML entier. Quelle serait selon vous la méthode à suivre ?

Suffirait-il par exemple d'ignorer les "<" et ">" et de traiter tout le reste ? Ou d'ignorer aussi les accolades, à cause du code CSS ?

Comment aborderiez-vous ce problème ?

P.-S. Après réflexion, il me semble qu'une stratégie acceptable pourrait être de traiter tout le texte, sauf les balises, et sauf le texte contenu entre les balises "style" (qui est du code CSS). Enfin, c'est du moins la conclusion à laquelle je suis arrivé en regardant une page HTML de mon site personnel, qui n'est sûrement pas représentative de tout ce qui peut exister.

[Roland Chastain]

J'ai bricolé quelque chose qui fonctionne, du moins sur la seule page que j'ai essayée. Je joins le programme, avec la page originale et le résultat. Si vous avez des suggestions, je les écouterai volontiers.

Cependant, je me demande si ça a du sens de remplacer tous ces caractères (par exemple les points et les virgules). A quoi cela peut-il servir ? Si vous deviez utiliser un programme de ce genre, quels sont les caractères que vous jugeriez utile de remplacer ?

[Alcatîz]

Bonjour,

Le contenu des balises n'est pas converti ; or, certaines balises comme <a></a>, par exemple, admettent des propriétés contenant du texte à afficher (les propriétés title et alt, en l'occurence), qui doit également être converti.

Tu pourrais également commencer l'exécution du programme par un test de la propriété charset de la balise <meta></meta> : si la valeur est autre chose que charset=iso-8859-1 alors la conversion ne peut se faire.

Petit détail en passant : le symbole monétaire € doit être converti en &euro;, si je ne m'abuse ?

[Roland Chastain]

Merci Alcatîz, d'avoir regardé mon programme et de m'avoir donné ces indications.

Le contenu des balises n'est pas converti ; or, certaines balises comme <a></a>, par exemple, admettent des propriétés contenant du texte à afficher (les propriétés title et alt, en l'occurence), qui doit également être converti.

Bien vu ! Je crois pouvoir faire cette modification.

Tu pourrais également commencer l'exécution du programme par un test de la propriété charset de la balise <meta></meta> : si la valeur est autre chose que charset=iso-8859-1 alors la conversion ne peut se faire.

Je ne vois pas bien pourquoi il faut faire cela mais, quoiqu'il en soit, je prends bonne note.

Petit détail en passant : le symbole monétaire € doit être converti en &euro;, si je ne m'abuse ?

Là je retombe sur une difficulté dont j'ai parlé plus haut : c'est que je ne sais pas comment obtenir ce caractère, sachant que mon unité est fabriquée par un programme, à partir de données qui se présentent ainsi :

[edit]
Voir pièce jointe "texte1.txt".
[/edit]

(Ces données, je les ai extraites d'une page dont j'ai donné le lien au début.)

Voici le programme dont je me suis servi pour fabriquer mon unité :

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
program make1;
 
var
  i, o: text;
  s: string;
  a, b, c, d, e: longint;
 
begin
  Assign(i, '002.txt');
  Reset(i);
  Assign(o, '003.txt');
  Rewrite(o);
 
  while not Eof(i) do
  begin
    ReadLn(i, s);
 
    a := 1;
    while not ((s[a] = '&') and (s[a + 1] = '#') and (s[a + 2] <> 'x')) do Inc(a);
 
    b := 0;
    while s[a + b + 2] in ['0'..'9'] do Inc(b);
 
    Val(Copy(s, a + 2, b), c, d);
 
    if (d = 0) and (c >= 33) and (c <= 255) then
    begin
      e := Pos(' ', s);
      WriteLn(
        o,
        '''',
        Chr(c), 
        ''': result := ''',
        Copy(s, 1, e - 1),
        ''';'
      );
    end;
 
  end;
 
  Close(i);
  Close(o);
end.

Dans le fichier d'entrée j'ai des lignes comme celle-ci :

[edit]
Voir pièce jointe "texte2.txt".
[/edit]

Et le programme me fabrique à la place la ligne suivante :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

'è': result := 'è';

Le problème c'est que pour produire dans mon fichier de sortie le caractère è, j'utilise la fonction Chr : c'est pourquoi je me suis limité aux caractères dont le code est inférieur ou égal à 255. Le symbole €, par exemple, je ne sais pas comment le produire (mis à part le rajouter à la main).

J'ai trouvé une façon de l'afficher dans une fenêtre (avec le code 128, pourquoi 128 ?),

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
program wchar;
 
{ FPC 2.6.4 }
 
uses windows;
 
var
  ws: widestring;
 
begin
  ws := widechar(128);
  messagebox(0, @ws[1], '', MB_OK);
end.

mais dans un fichier ça n'a pas fonctionné.

Voilà, pardon pour ce trop long message. Je crois que je me suis lancé là-dedans sans avoir toutes les connaissances requises. Si vous avez la patience de m'éclairer un peu, je suis à l'écoute. Autrement je me contenterai de rajouter à la main le symbole en question.