Discussion :

[Guilo]

Bonjour,

Je souhaiterais parser une page web pour récupérer des données dessus. Or, je crois qu'il n'y a pas de xml dans le code de cette page. Avez vous une méthode ou une librarie à me conseiller ? Faut-il convertir le HTML en xml puis parser ou bien parser directement le HTML ?

Il est à noter que les informations qui m'interessent sont toutes dans des tableaux.

Quelqu'un a t-il déja utilisé ça ? : C++ HTML parser for QT, sachant que Qt sera déja présent dans mon projet pour la partie IHM.

Quid de Tidy ? J'arrive pas à savoir si ça permet de faire uniquement de la conversion/vérification ou si les données parsées sont exploitables autrement.

J'ai également cru comprendre que l'on pouvait parser à l'aide de gecko, le poteur de firefox. Pour ne pas alourdir l'application inutilement je me suis penché du coté de wekbit, intégré à qt. Est-il limité à l'affichage ou bien permet-il de récuperer les tableaux dans des variables par exemple ?

Merci

[screetch]

ca pourrait etre plus simple de lire le texte et de garder seulement ce qui est entre <table></table>
une forme tres simple de parser et qui a l'avantage de resister au code HTML mal formé

[Guilo]

Oui mais comment faire ? A l'aide d'expressions régulières ou avec une librairie spécialisée ? En effet il ya plein de balises supplémentaires entre les <table></table>

[screetch]

qu'est ce que tu appelles plein ? a l'interieur tu dois trouver des <tr> et des <td> a peu de choses pres.
Ca depend de ce que tu souhaites extraire comme contenu. Et comment tu comptes le reformatter

[Guilo]

Exemple de code :

<TR BGCOLOR="#EEEEF1">
<TD WIDTH="70" rowspan=10 VALIGN="MIDDLE"><A class="bld" HREF="pos-4.8E.php">4.8&deg;E</a></TD>
<TD rowspan=10 WIDTH="50" ALIGN="CENTER" VALIGN="MIDDLE">&nbsp</TD>
<TD rowspan=10 WIDTH="50" ALIGN="CENTER" VALIGN="MIDDLE">&nbsp</TD>
<TD rowspan=10 WIDTH="30" ALIGN="CENTER" VALIGN="MIDDLE"><a href="news4.8E.php"><img src="/news.gif" border=0></a></td>
<TD rowspan=10 WIDTH="20"><a href="dl.php?pos=4.8E&fkhz=0"><img src="/disquette.gif" width="19" height="14" border=0></a></TD>
<TD rowspan=10 WIDTH="50" ALIGN="CENTER" VALIGN="MIDDLE"><a class="bld" href="pos-4.8E.php">697</a></TD>
<TD rowspan=10 WIDTH="50" ALIGN="CENTER" VALIGN="MIDDLE"><a class="bld" href="pos-4.8E.php">0</a></TD>
<TD rowspan=10 WIDTH="50" ALIGN="CENTER" VALIGN="MIDDLE"><a class="bld" href="pos-4.8E-fta.php">184</a></TD>
<TD rowspan=10 WIDTH="50" ALIGN="CENTER" VALIGN="MIDDLE"><a class="bld" href="tv-4.8E.php">537</a></TD>
<TD rowspan=10 WIDTH="50" ALIGN="CENTER" VALIGN="MIDDLE"><a class="bld" href="radio-4.8E.php">86</a></TD>
<TD rowspan=10 WIDTH="40" ALIGN="CENTER" VALIGN="MIDDLE"><a class="bld" href="data-4.8E.php">74</a></TD>
<TD WIDTH=120 bgcolor="#E6DFD1">Sirius 4</TD>
<TD WIDTH="30" bgcolor="#E6DFD1" VALIGN="MIDDLE">0.05&deg;</TD>
<TD WIDTH="50" ALIGN="CENTER" VALIGN="MIDDLE" bgcolor="#E6DFD1"><A class="bld" HREF="sat-sirius4.php">697</A></TD>
<TD WIDTH="50" ALIGN="CENTER" VALIGN="MIDDLE" bgcolor="#E6DFD1"><A class="bld" HREF="sat-sirius4-fta.php">184</A></TD>
<TD WIDTH="110" BGCOLOR="#FF5555" ALIGN="CENTER" VALIGN="MIDDLE">2009-11-22 14:21</TD></tr></table> <TABLE BORDER=0 ALIGN="CENTER" CELLPADDING=0 CELLSPACING=1 BGCOLOR="#000000" class="f">

Je compte garder les informations textuelles et non leur mise en forme. Elle vont etre entrées dans une base sql.

Merci

[screetch]

si tu es sur de ce formattage alors ca doit pouvoir se faire sans une lib tres compliquée.
tu as certaines garanties dont tu sembles pouvoir te servir.
l'idée serat de trouver le <table> qui t'interesse (je ne sais pas, mais ca pourrait etre simplement tous les <table> de la page?)
puis de supprimer tout jusqu'au prochain <tr> (nouvelle ligne)
puis de tout sauter jusqu'au prochain <td> (nouvelle colone)
et la degarder le contenu jusqu'au prochain </td>