Discussion :

[Sephiroth Lune]

Bonjour à tous

j'utilise un socket pour récupérer le code HTML d'une page. ensuite, j'essaye de le parser, pour retrouver des bouts d'HTML, et en ressortir des données.

petit hic : ereg ne me retrouve pas les chaines avec des accents :/ voici mon format regex :

<a href="viewforum.php\?f=([0-9]{1,})&amp;sid=[[:alnum:]]{32}" class="forumlink">([[:graph:][:space:]]*)</a>

ce qui pose problème, c'est [[:graph:][:space:]]*. pour info, mon fichier .php est encodé en utf8, je sais pas si ça peut changer quelque chose. sachant que j'ai essayé utf8_encode et utf8_decode sur l'HTML récupéré via le socket, sans changement sur le ereg.

quelqu'un a une idée ?

[TucSale]

bonjour,

Peux tu nous donner un exemple d'URL a analyser stp, ce qui répondrait a mes questions :
et avec eregi?
et pourquoi pas [:alnum:] à la place de [:graph:]

[Sephiroth Lune]

oups désolé, voila le type d'HTML que j'ai à trouver, parmi tout le code HTML d'une page :

pas trouvé
<a href="viewforum.php?f=38&sid=6ca865271bda5ca3c68777798ba82909" class="forumlink">[TA] News - Bugs - Idées</a>

trouvé
<a href="viewforum.php?f=38&sid=6ca865271bda5ca3c68777798ba82909" class="forumlink">[TA] News - Bugs - Idees</a>

je n'utilise pas erregi parceque je préfère tenir compte de la casse.

j'utilise [:graph:] et non pas [:alnum:] parceque graph prend en compte tous les caractères possibles (enfin, imprimables), d'après ce que j'ai compris. mais c'est mon premier regex, donc je galère un peu

[julp]

Vos locales sont-elles correctes ? (cf phpinfo).

Il est préférable aujourd'hui d'utiliser l'extension PCRE aux fonctions POSIX (ereg) :

eregi est une fonction dépassée qui est même désactivée depuis PHP 5.2... Il faut maintenant utiliser les PCRE, la différence est simple et tu gagneras en possibilités & performances.

[Sephiroth Lune]

c'est à dire, mes locales sont-elles correctes ? je voudrais un code qui ne s'occupe pas du pays où est hébergé la page en fait, je veux pouvoir lire de l'HTML d'un site espagnol, d'un site anglais, français, etc

[daniel61]

quant julp parle des locales, il réfère aux règles sur ton serveur que les fonctions liées aux chaines de caractères sur ton serveur se conformeront, et non aux documents externes à ton espace internet.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
echo setlocale(LC_CTYPE,null);

devrait retourner pays, langue et charset sur ton serveur pour les fonctions sur les chaines de caractères.

mon fichier .php est encodé en utf8

pas toujours une bonne idée

[julp]

Vous ne récupérez pas les accents car la classe POSIX stricte (cas des fonctions ereg*) [:graph:] équivaut à [!-~] donc les caractères du code ASCII étendu (>= à 128) - dont fait partie les caractères accentués - ne correspondront jamais. On retrouve le problème avec [:alnum:] (équivalent de [A-Za-z0-9]). PCRE en revanche utilise les informations des locales donc les accents (entre autres) ne lui poseront pas de problèmes (à condition que l'environnement soit convenablement configuré). Vous l'ignorez peut être mais vous utilisez également les locales lors de simples comparaisons de chaînes.

Un petit test :

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
<?php
define('OK', '<span style="color: green">OK</span><br/>');
define('KO', '<span style="color: red">KO</span><br/>');
 
$tests = array(
    'pépé',
    'papa'
);
 
$patterns = array(
    '^[[:graph:]]+$',
    '^[[:alnum:]]+$'
);
 
foreach ($tests as $s) {
    foreach ($patterns as $p) {
        echo "Ereg $p, $s : " . (ereg($p, $s) ? OK : KO);
        echo "Preg $p, $s : " . (preg_match('#' . $p . '#', $s) ? OK : KO);
    }
}
?>

je veux pouvoir lire de l'HTML d'un site espagnol, d'un site anglais, français, etc

Je vous ai pris au mot et j'ai testé sur une page cyrillique que j'ai converti en UTF-8 (librairie iconv) : pas moyen de récupérer un mot même en utilisant l'extension PCRE et son support de l'UTF-8 (même en passant par les propriétés des caractères Unicode).