Discussion :

[Clocloc]

Bonjour tout le monde,

Je rencontre un petit souci dans mon code concernant les regex. Disons surtout que je ne maitrise pas encore correctement les jokers, semblet-t-il (?.*)

Contexte: j'ai fait un http GET d'une URL et j'ai recupere sa reponse dans un string. Je veux maintenant parser ce string pour recuperer non seulement les liens mais aussi leur description.
Exemple, le get me renvoie ceci:

blablablabla<a href="http://www.toto.com">Site de toto</a>blablabla

Je vais donc extraire le pattern principal, la balise complete, qui est <a href="http://www.toto.com">Site de toto</a>
Ensuite je vais analyser ce motif et recuperer le sous-motif entre <a href=" et "> => ca c'est le lien qui est http://www.toto.com
Enfin je vais recuperer le sous-motif entre "> et </a> => ca c'est la description qui est Site de toto

J'ai cree les patterns

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
 
Pattern main_balise = Pattern.compile ("<a href=\"(.*?)\"</a>"); // balise complete
Pattern sub_balise1 = Pattern.compile ("<a href=\"(.*?)\">"); // recupere le lien
Pattern sub_balise2 = Pattern.compile ("\">(.*?)</a>"); // recupere la description
Matcher main_match = main_balise.matcher(body); // body est un String qui contient la reponse du serveur au http GET bien sur
while (main_match.find()) { ...etc.}

Or, comme ca ne fonctionne pas d'entree de jeu, je debugge petit a petit et apparemment le pattern principal ne passe pas.
J'ai fait un test separe avec le 2e pattern pour recuper jute le lien, lui fonctionne bien, a ma grande suprise.
Donc je ne comprends pas comment on peut recuperer l'integralite d'une balise <a href="....."> jusqu'a sa fin, c'est-a-dire </a>

Merci d'avance a qui pourrait me depanner.

[joel.drigo]

Salut,

Déjà, il sera beaucoup plus simple de faire ce genre de chose avec un parser html, genre jsoup par exemple (qui permet même de faire directement la requête, accompagné de cssselector, pour faire rapidement la sélection des balises a avec un sélecteur css), ou htmlunit, si le html est dynamique (généré/modifié par du JavaScript).

En ce qui concerne l'expression régulière, le problème vient du sous-motif .* qui veut dire n'importe quelle suite de n'importe quel caractère, donc y compris le " qui finalise le lien. Cherche toute suite de caractères sauf le " : [^"]*. Inutile, par ailleurs, de faire plusieurs expressions :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
Pattern main_balise = Pattern.compile ("<a href=\"([^\"]*)\">([^>]*)</a>"); 
Matcher main_match = main_balise.matcher(body); // body est un String qui contient la reponse du serveur au http GET bien sur
while (main_match.find()) {
			System.out.println(main_match.group(1)); // affiche le lien
			System.out.println(main_match.group(2)); // affiche le contenu
}

[adiGuba]

Salut,

En ce qui concerne l'expression régulière, le problème vient du sous-motif .* qui veut dire n'importe quelle suite de n'importe quel caractère, donc y compris le " qui finalise le lien.

Sauf qu'il utilise .*?, qui est un quantifieur réticent, c'est à dire qu'il prendra le plus petit élément correspondant.

Le problème c'est surtout qu'il manque la fermeture de balise dans son expression : "<a href=\"(.*?)\"</a>"Ce devrait plutôt être : "<a href=\"(.*?)\">(.*?)</a>"

Déjà, il sera beaucoup plus simple de faire ce genre de chose avec un parser html, genre jsoup par exemple (qui permet même de faire directement la requête, accompagné de cssselector, pour faire rapidement la sélection des balises a avec un sélecteur css), ou htmlunit, si le html est dynamique (généré/modifié par du JavaScript).

Gros +1

JSoup est vraiment très pratique.


a++

[Clocloc]

Merci beaucoup. Je ne connaissais pas du tout Jsoup (et absolument rien en CSS). Apres, c'etait ici plus un exercice perso pour apprendre un peu a maitriser les methodes de String sous Java. J'imagine bien que pour ce genre de truc simple, on trouve des API a foison.

Edit: question subsidiaire. Je pensej que le match.find est case sensitive non? Supposons que dans le body on ait un farceur qui mette par exemple:
<a href="...">description</A>

La balise de fin est en majuscule, je me fais avoir

Edit 2: c'est bon j'ai trouve. Il suffit de rajouter le case insensitive (?i) devant le pattern.

[adiGuba]

Il y a des milliers de chaines valide au sens HTML, mais qui ne passerait pas ta regexp.
Quelques exemples :

Code html :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
 <a href='...'>description</a>
 <a  href="...">description</a>
 <a href="..." >description</a>
 <a class="link" href="...">description</a>
 <a href="..." class="link">description</a>

D'où l'intérêt d'utiliser un outil comme JSoup qui va parser correctement le code HTML...


a++

[joel.drigo]

Edit 2: c'est bon j'ai trouve. Il suffit de rajouter le case insensitive (?i) devant le pattern.

Ou

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

Pattern.compile ( expression , Pattern.CASE_INSENSITIVE);