extraction chaines depuis fichier

**Alderick** · 26/06/2015, 12h07

Bonjour à tous,

Pour un projet d'automatisation de référencement de moteurs de recherche qui doit être fait uniquement en .BAT :
Je souhaite extraire des attributs à partir de ce code html suivant :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
<html>
<head><title>Moteurs</title></head>
<body>
<div><a href="http://google.com" target="_blank">Google</a> - <a href="http://yahoo.fr" target="_blank">yahoo</a></div>
<div><a href="http://www.seek.fr/" target="_blank">Seek</a> - <a href="https://ixquick.com/fra/" target="_blank">Ixquick</a></div>
</body>
</html>

Je sais que les chaines à récupérer se situent systématiquement entre les chaines suivantes : #<a href="# et #" target="#
L'idée est d'avoir en sortie un fichier contenant :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
http://google.com
http://yahoo.fr
http://www.seek.fr/
https://ixquick.com/fra/

J'ai essayé beaucoup de choses dont :
for /f (Le problème est que le délimiteur ne peut etre une chaine mais un caractère unique et qu'il faut connaitre le nombre d'occurrences max par ligne)
findstr /C (Me renvoi les lignes complètes contenant une chaine et reste pénible à encapsuler dans une boucle for)

J'ai par contre plus de mal avec les expression régulières mais ca pourrait etre sans doute une solution.
Pour information, j'ai demandé à l'ami google qui me fait un peu tourner en rond et j'ai bien fouillé ce forum (assez dense il faut l'avouer) (je retombe toujours sur des exemples sur un séparateur avec caractère unique.)

Je sais que je ne suis pas loin de la solution mais je n'y parviens pas.
Connaissez vous une commande ou une syntaxe de ces commandes permettant de faire cela simplement.
Par exemple, connaitre les positions des occurrences et leur longueur (pour pouvoir ensuite les extraire)

Je préfère dans un premier temps ne pas poster trop de code pour ne pas orienter vos propositions vers ce que j'aurais déjà testé en vain car je ne suis pas certain d'avoir pris la bonne direction.
Voici quand même une base minimale de réflexion :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
@echo off

set sep1=" href="
set sep2=" target="
set file = %~dp0Moteur.htm
set sortie = = %~dp0resultat.txt


REM findstr /C:%sep1% %file% >>%sortie%
REM me retourne les lignes contenant au moins une fois la première chaine 'séparatrice' (sep1)

REM for /f %%i in (%file%) do echo %%i>>%sortie%
REM me retourne les premiers caractères jusqu'au premier separateur 'espace'

Merci d'avance pour vos propositions.

**Alderick** · 30/06/2015, 10h14

Pas d'idée ?

**devilsnake88** · 30/06/2015, 18h31

Bonjour,
Le code que je vais vous proposer n'est certainement pas parfait, cependant pour le moment je ne peux rien faire de plus car je sèche un peu mais bon voici la bête:

Code bat :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
@echo off & cls
Setlocal enabledelayedexpansion
 
FOR /F "usebackq tokens=3 delims=http" %%a in (`"findstr /C:"http" txt.txt"`) do (
    set "var=%%a"
	set "var=!var:~0,-2!"
    echo http!var!
)
pause

Ce qui me retourne:

http://google.com
http://www.seek.fr/

**hackoofr** · 30/06/2015, 19h44

Code BAT :

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
@echo off
Title Extraire les liens href by Hackoo 2015
mode con cols=70 lines=10 & color 9B
set InputFile=c:\test.html
set OuputFile=c:\Liens.txt
set PSFile=tmp.ps1
(
echo $ie = new-object -ComObject InternetExplorer.Application 
echo $ie.Navigate2('%InputFile%'^) 
echo while($ie.Busy^)^{^} 
echo $ie.Document.links^|select href 
echo $ie.Document.links^|select href ^> %OuputFile% 
)>%PSFile%
cmd /c PowerShell.exe -ExecutionPolicy bypass -noprofile -file %PSFile%
pause
Del %PSFile%
if exist %OuputFile% Start %OuputFile%