Discussion :

[fab56]

Bonjour à tous,

J'ai une chaîne de départ qui représente une balise de lien HTML :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

<a href="http://www.google.fr">Aller à Google</a>

A l'aide d'expressions régulières, je souhaite récupérer la cible du lien "http://www.google.fr"

J'utilise donc les objets java.util.regex.Matcher et java.util.regex.Pattern comme ceci (la variable tag contient mon lien) :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
Pattern p = Pattern.compile("<a href=['\"](.*)['\"]>(.*)</a>");
Matcher m = p.matcher(tag);
 
if (m.find()) System.out.println(m.group(1));

Avec ce code, j'obtiens ce que je souhaite : http://www.google.fr

Seulement voilà, quand je prends un lien avec plusieurs attributs, comme celui-là :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

<a href="http://www.google.fr" onclick="javascript:openPop()" rel="...">Aller à Google</a>

J'obtiens :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

http://www.google.fr" onclick="javascript:openPop()" rel="...

J'ai bien compris pourquoi : le motif de mon expression extrait toute la chaîne compris entre le premier et le dernier double-guillemets (") de la chaîne.

Le truc c'est que j'ai bidouillé un peu mon motif mais je n'arrive pas à obtenir ce que je veux. Pour résumé il faudrait extraire uniquement le contenu de l'attribut "Href".

Merci par avance, je sèche un peu.

Bonne soirée.

[joel.drigo]

Salut,

L'extraction est faite jusqu'au dernier guillemet surtout parce que tu demandes d'extraire jusqu'un " (ou ') suivi d'un >, donc c'est forcément le dernier (sauf s'il y avait une espace entre le " et le >, ou pas de " du tout sur l'attribut...). Il faut donc ajouter un .* avant le >. Mais ça ne suffirait pas, car la recherche est "gourmande" par défaut : il faut utiliser un quantifier reluctant (le ? parès le .* de ton groupe de capture).

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

Pattern p = Pattern.compile("<a href=['\"](.*?)['\"].*>(.*)</a>");

Mais il y a tellement d'autres cas à traiter que tu auras toujours d'autres exceptions qui vont complexifier ton expression. Il est beaucoup plus simple d'utiliser un parser html, tel que jsoup par exemple.

[fab56]

Bonsoir,

Merci pour l'astuce, j'avais fini par trouver une autre solution mais celle-ci est plus propre.

Pour JSoup j'y ai pensé mais pour l'instant comme je ne fais qu'extraire des liens, je préfère rester sur cette solution, bien que son utilisation a l'air très très simple (beaucoup plus que HTML Parser d'après ce que j'ai pu voir).

A terme, le projet va sûrement traiter d'autres balises et à ce moment là je pense que me servirai de JSoup.

Merci en tout cas.