Discussion :

[storm_2000]

Bonjour j'aimerais analyser les liens sur un site web.
Pour celà j'ai voulus faire un parser XML mais il ne marche pas.

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
 
import java.net.URL;
 
import javax.xml.parsers.SAXParser;
import javax.xml.parsers.SAXParserFactory;
 
import org.xml.sax.Attributes;
import org.xml.sax.helpers.DefaultHandler;
 
public class Main {
 
	public static void main(String args[]) {
 
		DefaultHandler handler = new DefaultHandler() {
			public void startElement(String namespace, String lname,
					String qname, Attributes att) {
				System.out.println(lname);
				if (lname.equalsIgnoreCase("a")) {
					for (int i = 0; i < att.getLength(); i++) {
						if (att.getLocalName(i).equals("href")) {
							System.out.println(att.getValue(i));
						}
					}
				}
			}
		};
 
		try {
			SAXParserFactory factory = SAXParserFactory.newInstance();
			factory.setNamespaceAware(true);
			SAXParser saxParser = factory.newSAXParser();
			saxParser.parse(new URL("http://www.developpez.net").openStream(),
					handler);
		} catch (Exception e) {
			System.out.println(e);
		}
	}
}

J'ai des exception : Invalid byte 2 of 3-byte UTF-8 sequence.

Pouvez vous m'aider ? merci

[Ioan]

Bonjour,
Le problème viens du fait que le document que tu essaye de parser n'est pas valide. Il n'indique pas d'encoding, donc il devrait être en UTF-8 (encodage par défaut), ce qui n'est pas le cas car il contient de l'ISO-8859-1.
Si tu voudrais résoudre ce problème d'encoding, tu pourrais faire ainsi :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
URL url = new URL("http://www.developpez.net");
InputSource source = new InputSource(new InputStreamReader(url.openStream(), "ISO-8859-1"));
saxParser.parse(source,handler);

Ceci dit, ça ne résoudrait pas l'intégralité du problème : il reste d'autres problèmes de validation. En conclusion HTML != XML. Si tu veux parser un flux HTML avec des outils XML il y a quelques étapes supplémentaires de vérifications, corrections, etc.

Bonne chance
@+

[storm_2000]

comment faire donc pour récupérer les liens dans une page HTML

sinon merci, ta 1er solution résoud 1 problème

[Ioan]

Salut,

comment faire donc pour récupérer les liens dans une page HTML

Trois possibilités.
1 - Tu continues d'utiliser les outils spécifiques à XML, mais tu "valides" ce que tu parse, cad : si XHTML valide alors parsing, sinon corrections (encoding, validation XML, ...) puis parsing. Regarde des outils comme JTidy, NekoHTML ou TagSoup pour faire de la correction.
2 - Tu utilises des outils "spécifiques" à HTML (par exemple les parsers HTML de Swing).
3 - Tu peux passer par des RegExp
Fais une recherche sur le forum, le sujet à déjà dû être traité quelques fois
@+

[storm_2000]

merci, je regarde vers les regex mais je ne trouve pas.
Je créer cette regex :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
		Pattern pattern = Pattern.compile("img.*src=\"(.*)\".*");

pour trouver les images.

mais le problème :
il comment bien à src=", mais ne s'arrête pas au " suivant. comment faire pour pouvoir lui dire de s'arrêter a la 1er occurence ?

merci