Discussion :

[Beleg]

Bonsoir,
Je travaille sur une String contenant des balises XML.
Je cherche à reconnaitre certains schémas :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

t<ind>test</ind> avec <ind>une</ind> suite

Ici mon but serait d'extraire :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

t avec  suite

Pour isoler le texte non balisé.

J'utilise la regexp suivante : <ind>.*</ind>
ca fonctionne bien, mais je viens de m'apercevoir que ca fonctionne un peu trop bien puisque pour l'exemple si dessus il me retourne

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

t suite

A cause de

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

t<ind>test</ind> avec <ind>une</ind> suite

Peux t'on faire en sorted'eviter ce probleme ?

[gifffftane]

Attention que les regex ne sont pas souvent le bon outil pour analyser le xml ; elles marchent bien seulement pour les xml les plus simples.

Dans ton cas, essaie :

<ind>.*?</ind>

?

[Beleg]

oui ca fonctionne mieux mais ce n'est pas encore ca Pour ce code, il trouve

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

t<ind>test</ind> avec <ind>une<ind>deux</ind></ind> suite

Si le regexp n'est pas la meilleure maniere de fonctionner, quelle est elle ? utilisez des languages genre XPATH ?

[gifffftane]

Déjà, dans ton nouvel exemple, qu'est censé rendre la recherche ?

Toujours est-il que à ma connaissance les regexp ne te donneront pas facilement la solution. Il faut passer pour cela par les API XML.

[Beleg]

Je souhaite trouver toujours les positions extremes.
Donc pour l'exemple ci dessus un resultat correct serait

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

t<ind>test</ind> avec <ind>une<ind>deux</ind></ind> suite

dans un autre cas cela serait

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

t<ind>test</ind> avec <ind>une<ind>deux<ind>trois</ind></ind></ind> suite

j'ai besoin de connaitre les positions dans la string, je n'ai rien vu dans les API xml qui permettent cela c'est pour ca que je me suis tourné vers les regexp ...

[gifffftane]

Tu peux l'avoir par SAX et le Locator.

Cependant, regarde s'il n'y pas d'autres API XML qui seraient plus adaptées, hors JDK, ou plus faciles de ce coté là.

Coté regex, encore une fois, c'est pas le bon cheval, sauf à disposer d'un XML où l'on peut limiter les cas analysés.

[Beleg]

Tu peux l'avoir par SAX et le Locator.

Cependant, regarde s'il n'y pas d'autres API XML qui seraient plus adaptées, hors JDK, ou plus faciles de ce coté là.

Je vais jeter un oeil, merci pour le lien

Coté regex, encore une fois, c'est pas le bon cheval, sauf à disposer d'un XML où l'on peut limiter les cas analysés.

Qu'entends tu par limiter ? Je connais de nombreuses choses sur le XML utilisé, par exemple les balises que l'on peut trouver ainsi que leur forme et attributs. Ici je cherche à gérer le fait que l'on peut avoir plusieurs indice (balise ind) imbriqués. Je n'ai que 4 balises qui ont ce comportement, tout le reste de l'analyse fonctionne par regExp, il ne reste que le probleme que je t'ai posé ci dessus.

[Uther]

Malheureusement le cas que tu expose est typiquement le type de cas sur lequel tu vas bloquer avec une regex. Je ne crois par qu'il soit possible de faire une correspondance d'éléments 2 a 2.

[gifffftane]

Limiter, c'est à dire être sûr que le XML reste compatible avec une analyse regex, qu'il n'y ait pas besoin d'une sorte d'historique des motifs (de la séparation classique lex / yacc, soit syntaxe / grammaire, qu'il n'y ait pas de grammaire). Ici l'imbrication est très difficile à traiter en regex.

Si je VEUX le faire tout de même, alors je fais une regex avec des groupes matchant le OU de début et fin du motif, je parcours ma chaîne avec un find, et je réagis selon que je trouve un début ou une fin ; à la fin j'ai le global comme tu le souhaites, mais ça ne marche que s'il y a pas de commentaires ou autre dans le XML.

[Beleg]

Limiter, c'est à dire être sûr que le XML reste compatible avec une analyse regex, qu'il n'y ait pas besoin d'une sorte d'historique des motifs (de la séparation classique lex / yacc, soit syntaxe / grammaire, qu'il n'y ait pas de grammaire). Ici l'imbrication est très difficile à traiter en regex.

Si je VEUX le faire tout de même, alors je fais une regex avec des groupes matchant le OU de début et fin du motif, je parcours ma chaîne avec un find, et je réagis selon que je trouve un début ou une fin ; à la fin j'ai le global comme tu le souhaites, mais ça ne marche que s'il y a pas de commentaires ou autre dans le XML.

Oui c'est comme ca que je procède pour un certain nombre de balises,
je recupere un motif ouvrant et fermant
et je parcourt la liste retournée par les deux find() pour trouver les extremum.
Ensuite par récursivité, je prends la String contenus entre les deux extremums et je recommence.
Je vais voir pour appliquer ce principe ici dans un premier temps (car je suis un peu pressé pour rendre ce travail ), mais je me pencherai sur les moyens d'utiliser une API XML pour localiser les positions des balises dans une String (ca simplierait surement grandement mon algo ...).
Si quelqu'un passe par ici et à d'autres informations à ce sujet je suis preneur.

Merci à vous deux pour vos réponses

[Antoine_935]

Salut

Voici une regex qui pourrait te plaire (perl-compatible, mais ça devrait aller sous java):

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

<(\w+)>(.*?)</\1>

Elle ne passe pas sur le coup des balises imbriquées, mais le reste est ok. Tu ne peux pas faire de récursivité, à ma connaissance, avec des regex, donc ce que tu cherches à faire est impossible.

Mais de fait, un parsing xml serait surement plus simple.

PS: tu pourrais trouver mon petit outil intéressant
http://aspyct.org/doku.php?id=lurt
Il requiert hélas Perl et PerlGtk