Discussion :

[obelix]

Bonjour, je voudrais extraire un tableau d'un fichier HTML pour le transformer en csv !

Il me faut donc parcourir et detecter les balises <TABLE>. J'ai pas trop d'exsperience dans la manipulation de fichier XML.

J'ai trouve les tutoriaux sur JAXP mais j'ai un peu de mal...


Je voudrais dans un premier temps ouvrir un fichier HTML et recuperer des balises comme <TABLE>, <TR>, <TD>, etc

Merci de me rensigner pour m'aider à commencer !

Obelix

[ozzmax]

Salut, j'ai eu un projet semblable a faire...
Il faut que tu parses ton fichier XML et lire les caractères 1 à 1 afin de comparer les strings entre elles pour trouver ce que tu recherches.

dans le fond tu cherches les balises qui ouvre et compare ce que tu trouve à l'intérieur...
c'est a dire lorsque tu as une balise qui ouvre : <...
tu prends ce qu'il y a à l'intérieur jusqu'à ce que tu captes la balise de fin...
str = "table"...balise de fin >
et là tu tes codes tes instructions...tout en lisant jusqu'a ce que la balise..soit </table>

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
 
if(strChar.compareTo("<")==0){
							intChar = br.read();
							chrChar = (char)intChar;
							strChar =String.valueOf(chrChar);
							skip++;
							//si une balise qui ouvre
							if((strChar.compareTo("/")!=0)&&(strBufferOpen.compareTo("")==0)){
								strBufferOpen = "<"+strChar;
								while(strChar.compareTo(">")!=0){
									intChar = br.read();
									chrChar = (char)intChar;
									strChar =String.valueOf(chrChar);
									strBufferOpen = strBufferOpen + strChar;
									skip++;
								}
							}
							//si c'est une balise qui ferme
							else if(strChar.compareTo("/")==0){
								strBufferClose = "</";
								while(strChar.compareTo(">")!=0){
									intChar = br.read();
									chrChar = (char)intChar;
									strChar =String.valueOf(chrChar);
									strBufferClose=strBufferClose+strChar;
									skip++;
								}
....

mais ce code parsait un fichier xml dans un arbre de référence pour construire un fichier html...alors p-e pas exactement ce que tu recherches
J'espere t'avoir mis sur une piste!
au plaisir
max

[obelix]

ben tout ca je sais faire... mais je pensais que l'API XML permettait d'utiliser des methodes pour detecter, recuperer, etc des balises...

merci quand meme de ta proposition

Obelix

[FreshVic]

ben tout ca je sais faire... mais je pensais que l'API XML permettait d'utiliser des methodes pour detecter, recuperer, etc des balises...

merci quand meme de ta proposition

Obelix

Oui si le fichier HTML est bien formé (toute balise doit etre fermé ) tu peux utiliser les API DOM ou SAX . SI le fichier n'est pas trop lourd DOM est peut etre plus simple d'utilisation sinon SAX n'est pas bcp plus compliqué .

http://cynober.developpez.com/tutoriel/java/xml/jdom/
http://smeric.developpez.com/java/cours/xml/sax/

[tomca]

Pensez aussi a regarder du coté de JDOM...ca simplifie grandement le XML ....donc le HTML....

[FreshVic]

Peu de temps apres avoir lu ce post j'ai lu le tutoriel sur les commons digester de developpez.com du coup je pense qu'il est tres possible de realiser ce que tu veux grace aux commons digester , en gros il s'agit d'un moteur SAX parametrable par fichier XML une fois le fichier de regles realiser , on demande au digester de parser le XML(ici du xhtml) et on recupere un arbre d'objet tel que demander dans le fichier de conf .
Bon pour resumé c'est une lib de mapping objet/XML !!

[jcarre]

pour info il existe une API gratuite pour parser du HTML : HTMLParser

[obelix]

vous me proposeez des technos... merci mais mon probleme est justement de choisir la techno qui me permet de parcourir du code HTML et extraire le texte d'un tableau HTML.

merci de votre aide

[colargol70]

Tu peux aussi utiliser des expressions XPath pour parcourir ton document. Jette un coup d'oeil à XPathAPI.

- Colargol

[FreshVic]

vous me proposeez des technos... merci mais mon probleme est justement de choisir la techno qui me permet de parcourir du code HTML et extraire le texte d'un tableau HTML.

merci de votre aide

tu veux qu'on choisisse pour toi ???

[obelix]

ben je voudrais beneficier de votre eventuel expereince pour m'orienter sur telle ou telle methode car je n'ai aucune exeprience dans la manipulation de l'XML... sachant que j'ai pas bcp de temps je voudrais pas me planter d'outil !

merci

[FreshVic]

En ce qui me concerne je connais que le JDOM et SAX , pour la simplicité JDOM est mieux , mais SAX peut resoudre pas mal de probleme !!
SInon tu as lu la doc sur le common Diggester , sinon quelqu'un ta proposer HtmlParser , je connais pas , à toi de te renseigner

[obelix]

ok merci... je vais donc regarder les technos proposées !

sinon, personne n'a fait un truc de ce genre ?

Lecture d'un fichier HTML balise par balise, detection d'une balise TABLE et ensuite lecture des lignes et colonnes ?

[jcarre]

tu devrais vraiment regarder les exemples fournis avec HTMLParser.

[obelix]

oui c'est ce que j'ai fait et c'est celui qui me parait le mieux adapte à mes besoins... merci

il y a JDOM qui parait etre simple pour le parcours XML aussi !

[FreshVic]

tu devrais vraiment regarder les exemples fournis avec HTMLParser.

Etant donner le nom de la lib je dirais que c'est exactement ce que tu cherche , mais je connaissais pas et ce baser sur un nom pour le choix d'une techno c'est plutot legé !!!!

[ozzmax]

Ouais j'avais fais un truc de ce genre mais on avait pas le droit d'utiliser HTMLparser fournis par java
il fallais implémenter notre propre parseur...
Plein de plaisir!!