[discussion] Réparer du code HTML

**Doksuri** · 07/06/2009, 19h38

merci de ces precisions jreaux62 ... j'avais compris de travers et du coup, je suis partis totalement a l'ouest...
FoxLeRenard a eu du mal a m'explique... mais maintenant, je suis repartis de plus belle =)

ps : on part sur une base d'un fichier ? une BDD ? (ou autre) ?

Invité · 07/06/2009, 19h47

Doksuri, merci en tout cas pour ton intérêt pour ce sujet
(on ne t'oubliera pas pour le "Prix Nobel" !)
Tu n'as pas "compris de travers" mais ..."Ne mettons pas la charrue avant les bœufs" !

Partons déjà de mon exemple "simple" (message précédent)
==> 3 cas de figure !
Pourtant, l'"exemple de base" semble simple ! La solution peut s'avérer déjà assez complexe ...

tentons déjà de résoudre cette "simple" problématique, ok ?

[EDIT] Tout l'interêt de DVP est de pouvoir réunir des "compétences" dans différents domaines (méthodologie, programmation et connaissance de fonctions existantes PHP, regex, ...)
Perso, je n'en connais qu'un petit bout !
Ensemble ... A NOUS LE PRIX NOBEL !!!!!!
Bon. J'exagère avec le "Prix Nobel".
Par contre, je suis convaincu que cela peut amener à une fonction (ou class, ou peu importe) qui en intéresserait plus d'un !

Ps : tous mes "tutos" ou "sources" sont "open" : j'œuvre avant tout pour la "communauté" !
(mais je suis content d'avoir ouvert cette "discussion" !)

**Xunil** · 07/06/2009, 20h48

Pour des balises simples, cela reste facilement faisable, expression rationnelles oblige.

Je viens de faire ça vite fait.

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
39
40
41
42
43
44
45
46
$texte = '<p>il était une <strong><em><u>fois</strong>, un marchand de <strong>foi</strong> qui vendait du <strong>foie</s';
 
function extraitTexte($texte)
{
   // Récup de tous les tags
   if( !preg_match_all('#</?([a-z]+)>#', $texte, $r, PREG_OFFSET_CAPTURE) )
      return $texte;
   // Suppression éventuelle d'un tag fermant en fin de texte
   $texte = preg_replace('#</?[a-z]*$#', '', $texte);
   $tab = array();
   $decalage = 0;
   foreach( $r[1] as $k => $tag )
   {
      // Si tag non fermant
      if( $r[0][$k][0][1] != '/' )
         array_unshift($tab, $tag[0]);
      else
      {
         // Erreur de fermeture
         if( isset($tab[0]) && $tab[0] != $tag[0] )
         {
            $close = null;
            while( $tab[0] != $tag[0] )
            {
               $close .= '</' . $tab[0] . '>';
               array_shift($tab);                          
            }
            // Position du tag fermant
            $pos = $r[0][$k][1] + $decalage;
            // Remplacement (ajout du tag fermant manquant)
            $texte = substr_replace($texte, $close . $r[0][$k][0], $pos, strlen($r[0][$k][0]));
            // Incrément du décalage
            $decalage +=  strlen($close);
         }
         // Suppression du tag ouvrant
         unset($tab[0]);
      }
   }
   // Il reste des tags à fermer ?
   if( !empty($tab) )
      foreach( $tab as $tag )
         $texte .= '</' . $tag . '>';
   return $texte;
}
 
echo extraitTexte($texte);

Je n'ai géré que les balises ouvrantes sans les fermantes, le contraire n'étant pas encore testé dans la fonction

**Doksuri** · 07/06/2009, 21h21

Ah flute... tu m'as pris de court...
j'ai moi aussi fais un petit quelque chose... mais je ne sais pas si c'est vraiment optimise (ou mieux que ce qu'a fait Xunil)

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
//index.php
<HTML>
 <HEAD>
  <TITLE>Resume</TITLE>
 </HEAD>
 <BODY bgcolor="#COCOCO">
<?php
 
require_once("functions.php");
 
echo 'blabla<br />'.overview("osef",20);//on peut changer le nombre de caracteres a afficher
 
?>
 </BODY>
</HTML>

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
39
40
41
42
43
44
45
46
47
//functions.php
<?php
 
function overview($file,$nb=60,$forced=1)
{
/*
$file correspond au fichier dont on souhaite afficher le resume
$nb correspond au nombre de mots qu l'on souhate afficher
        si non renseigne, 60 caracteres par defaut, si 0, 60 caracteres aussi pour pas que le $forced se retrouve dans le $nb
$forced si 1, alor on force la coupure a $nb caracteres
        si 0, alors on tolere la fin de la phrase.
---------------------
je les ai juste prevu pour plus tard
*/
        if($nb==0)
                $nb=60;
 
$texte='1111111111<u>2222222222</u>3333333333<u>4444444444</u><br />';
$texte.='5555555555<u>6666666666</u>7777777777<br />';
 
        $temp=$texte;//on place le texte dans une variable que l'on modifiera par la suite
        $compteur=0;//compteur du nombre de caracteres affiches
        $total=0;//nombre total de caractere a afficher
        while($compteur<=$nb)
        {
                $max=strlen($temp);//valeure du texte en cours
//rechercher la position du < de la 1ere balise (donc celle qui ouvre)
                $posopen1=strpos($temp,"<");
//trouver la fin de la balise
                $posopen2=strpos($temp,">");
//longueure de la balise ouvrante
                $long=$posopen2-$posopen1+1;
//        $openbal=substr($temp,$posopen1,$long);//nom de la balise complete
//incrementation du compteur : compteur + position de la fin de balise - longeure de la balise
                $intermediaire=$posopen2-$long+1;
//si on depasse le compeur, on force l'arret
                if($compteur+$intermediaire>$nb)
                        break;
                $compteur+=$intermediaire;
                $total+=$posopen2+1;
                $temp=substr($texte,$total,$max-$intermediaire);
        }
        $resum=substr($texte,0,$total);
        return $resum;
}
 
?>

**Xunil** · 07/06/2009, 22h12

Le problème en utilisant strpos comme tu as fait, c'est que ça va foirer si on utilise < ou > dans le contenu, genre a > b et b < c.

**HiRoN** · 07/06/2009, 22h38

Bonsoir,
Bonne initiative que cette contribution

Ne serais-t-il pas judicieux (mais plus tard), de faire les traitement en fonction du DocType détecté sur la page (HTML, XHTML : donc balises en majuscules ou minuscules), du type (Transitionnal, Strict : afin de supprimer / modifier certaines choses en fonction (balises obsolètes & co)), voir détecter l'absence de Doctype et tenter de "découvrir" le Doctype le plus approprié en fonction (présence de frame ou pas etc...) ?

Je tenterai d'apporter ma pierre à l'édifice dès que j'ai un moment

**Xunil** · 08/06/2009, 10h05

Hum, le but c'est de refaire un tidy sauce php ou de faire un truc qui rendra valide le début d'un texte contenant des balises html tronqué avec substr ?

**s.n.a.f.u** · 08/06/2009, 10h40

Envoyé par Xunil

Hum, le but c'est de refaire un tidy sauce php ou de faire un truc qui rendra valide le début d'un texte contenant des balises html tronqué avec substr ?

Bonjour à tous,
Si je puis me permettre de faire mon rabat-joie, bien que le sujet soit intéressant : il me semble que le but est tout simplement de réparer un texte html coupé.
Autrement dit, il s'agit d'appareiller correctement des balises HTML.

Lorsque cette fonctionnalité sera trouvée, le reste (couper à une certaine longueur, choisir les balises et leur contenu à virer, etc...) ne sera que roupie de sansonnet

Mais je ne minimise pas la tâche : l'appareillage est un des sujets qui fait le plus parler des regex sur le web.

FoxLeRenard · 08/06/2009, 10h47

Envoyé par jreaux62

Hypothèse de départ : on part d'un code "propre" (valide : pas d'erreur dans le code)

Partons de ca (la forme la plus "simple" possible) : 1 seule balise ouvrante-fermante,
QUELLE QUE SOIT CETTE BALISE : ..., ..., ..., ...

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

sdfg sdfgsdg  <strong>qsdf qsdfqsdf qgsd hdfdf</strong> qsdgfqsdsd

La "coupe" donnerait :
Cas 1 => la balise fermante n'y est plus ==> il faut :
-> la fermer (la balise !)

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

sdfg sdfgsdg  <strong>qsdf qsdfqsdf qg

Cas 2 => la balise fermante est "tronquée" ==> il faut :
-> soit la "reconstruire",
-> soit supprimer l'ouvrante et le "bout de fermante".

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
sdfg sdfgsdg  <strong>qsdf qsdfqsdf qgsd hdfdf</stro
ou
sdfg sdfgsdg  <strong>qsdf qsdfqsdf qgsd hdfdf<

Cas 3 => c'est la balise ouvrante qui est "tronquée" ==> il faut :
-> la supprimer

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

sdfg sdfgsdg  <stron

Ca devrait être un bon début, je pense !
Ps : étant moi-même peu (pas du tout) doué en regex ... je m'en remets à vous ...

Moi je ne crois pas pour cela au REGEX .. car j'ais traité un truc un peut comme cela et la solution était des
strpos
str_replace et bien sur str_ireplace
etc ...

d'autre part ton analyse est bien mais ce qui complique est ce point

Quand une balyse est a l'endroit de la coupure, rien ne dit que la précédente soit son ouverture !

Donc il faut de toute façon, sachant que nous partons bien d'un début de page , faire l'inventaire et le comptage c'est pas long pour 60 caractéres

Donc de toute façon il faudrait commencer par un strpos de "<"

**Xunil** · 08/06/2009, 11h05

Meuh non

L'utilisation de strpos n'est pas possible, à moins d'interdire tous caractères de chevrons dans le texte.

L'utilisation d'expressions rationnelles se révèle incontournable.

Invité · 08/06/2009, 11h45

Envoyé par FoxLeRenard

Quand une balise est a l'endroit de la coupure, rien ne dit que la précédente soit son ouverture !

Oui, c'est juste. dans des cas simple comme

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

sdfgsdfg <strong>sdf <u>sdgtr</u> er qsdfqsf </st

C'est pour cette raison qu'il faut pouvoir tester en fonction du "nom" de la balise : "" est bien fermé, mais pas "<strong>"

Je rappelle qu'on démarre d'un EXEMPLE SIMPLE !

1 ===> DEJA : comment récupérer le "nom" d'une balise ?
a- exemple de balise ouvrante :
$chaine = sdqf fsqd qqsdfsdf sdfq
==> objectif : on veut récupérer "span" :
- arriver au "<" on "prend" ce qui se trouve avant le ">" suivant
$balisebrute = ....(là, je ne sais pas trop ???)
==> on obtient span class="blabla" style="truc:machin;"
- on récupère le 1er élément (avec un explode avec "espace" comme séparateur)
$balisetab = explode(' ',$balisebrute);
$balise = $balisetab[0];
==> on obtient en fin : span
b- pour les balises fermantes : même technique
==> on obtient en fin : /span
Il suffit donc de vérifier si on a un "/" pour en conclure que c'est une balise fermante.

2 ===> faut-il ensuite :
- parcourir le "bout de code" depuis le début est répertorier les différentes balises rencontrées ? (dans un array ??)
(Question subsidiaire : -> doit-on répertorier TOUS les noms des balises existantes en html ??)
- et vérifier si les paires "ouvrantes-fermantes" sont respectées ?
- valider les paires OK, trouver celles pasOK (ouvrantes, mais pas fermantes)
- ...

FoxLeRenard · 08/06/2009, 11h48

Envoyé par Xunil

Meuh non

L'utilisation de strpos n'est pas possible, à moins d'interdire tous caractères de chevrons dans le texte.

L'utilisation d'expressions rationnelles se révèle incontournable.

Pour moi, on va ensuite chercher
1) la position du premier suivant ">" de la balise
2) la position du premier " "
3) trouver la balise en utilisant pas la fermeture par exemple <div

NOTA il existe 108 balises donc c'est pas compliqué avec un array

**Doksuri** · 08/06/2009, 11h57

il me vient une idee...
faire un array a 3 dimentions (sans compter le compteur):
quand on tombe sur une balise ouvrante, on l'inscrit, et on inscrit direct (sans meme savoir si elle est fermee plus tard) la balise fermante correspondante.
et la 3eme dimention serait boolenne

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

sdfgsdfg <strong>sdf <u>sdgtr</u> er qsdfqsf </st

l'array ressemblerait a ca :
[0][][][1]
[1][].......[]......[0]
[2][<etc...>]

la derniere colonne representant la balise fermante trouvee ou non (1 ou 0)
ainsi, a la fin... on n'aurait plus qu'a parcourir l'array et d'y inscrire les balises fermantes quand != 0

je sais pas si je me suis bien exprime

**Xunil** · 08/06/2009, 12h17

Envoyé par jreaux62

2 ===> faut-il ensuite :
- parcourir le "bout de code" depuis le début est répertorier les différentes balises rencontrées ? (dans un array ??).

Indispensable, d'après moi.

Envoyé par FoxLeRenard

Pour moi, on va ensuite chercher
1) la position du premier suivant ">" de la balise
2) la position du premier " "
3) trouver la balise en utilisant pas la fermeture par exemple <div

NOTA il existe 108 balises donc c'est pas compliqué avec un array

Moué, je suis sceptique, mais piste à explorer pourquoi pas, mais cela risque de se compliquer si les attributs sont autorisés dans le html.

Invité · 08/06/2009, 12h30

Envoyé par Doksuri

faire un array a 3 dimensions

J'avais aussi pensé à un truc de ce genre.
-> true (ou 1) si la balise fermante est trouvée
-> false (ou 0) si elle n'est pas trouvée
Mais comment associer les 2 balises ? (et mettre true ou false ?)

FoxLeRenard · 08/06/2009, 12h31

Envoyé par Xunil

Moué, je suis sceptique, mais piste à explorer pourquoi pas, mais cela risque de se compliquer si les attributs sont autorisés dans le html.

non puisque je cherches "<a " mais tu as raison pas simple

**Doksuri** · 08/06/2009, 12h41

Envoyé par jreaux62

Mais comment associer les 2 balises ? (et mettre true ou false ?)

bah faire comme on comptait faire... quand on trouve une balise strpos, regexp...(comme on veut), si celle ci n'est pas fermante (pas de slash) on l'inscrit comme nouvelle ligne dans l'array et on y incrit tout de suite la fermante

par exemple, on tombe sur => pas de slash, donc on l'inscrit. et on connait tout de suite sa fermante (la meme avec le slash)..et on met false (ou 0) car sa fermante n'est pas trouvee
=> [$i][][][0]
$i++
puis, on continu... on tombe sur ... pas de slash, on inscrit
=> [$i][][][0]
$i++
puis, on tombe sur ... on seek dans l'array deja la ou c'est false (ou 0) puis la balise en soit [].. on l'a trouvee, on passe a true.

on se retrouve avec
[$i][][][1]
[$i][][][0]
(avec $i qui est incremente hein xD)

et a la fin, partout ou c'est flase, on affiche les fermantes

ps : j'ai mis un compteur comme colonne de reference, ca il peut y avoir plusieurs fois la meme balise

**Xunil** · 08/06/2009, 12h46

Pourquoi un true ou false ?

Si ouvrant on ajoute au tableau.
Si fermant concordant au dernier ajout, on supprime le dernier enregistrement.

Une fois tout effectué, on regarde le tableau, si non vide, on complète la chaine avec les éléments restants dans le tableau.

je trouve que c'est plus simple non ?

Invité · 08/06/2009, 12h56

Envoyé par Xunil

Si ouvrant on ajoute au tableau.
Si fermant concordant au dernier ajout, on supprime le dernier enregistrement.
Une fois tout effectué, on regarde le tableau, si non vide, on complète la chaine avec les éléments restants dans le tableau.

Ca parait judicieux, en effet.

Mais ca risque de faire beaucoup de boucle "test" (à chaque nouvelle balise) non ?

**Doksuri** · 08/06/2009, 12h56

edit : desole, j'avais mal lu

sinon... on peut faire la meme chose avec l'histoire des true & false... suffit de lire le tableau a l'envers pour gagner du temps =)

[discussion] Réparer du code HTML

Contribuez / Téléchargez Sources et Outils PHP

Discussions similaires

Partager

Partager