Discussion :

[NeoKript]

Bonjour a tous et joyeux noël !

J'ai un petit probleme avec des regexp en c# je recupere le code HTML d'une page et je soutairais recuperer ce qu'il y a entre les balise <h1></h1>.

Voici mon code :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
        private void GetTitle()
        {
            Regex title = new Regex("<h1>(?<title>)</h1>");
            Match m = title.Match(this._contentInformations);
            if (m.Success)
            {
                this._map["Title"] = m.Groups["title"].Value;
            }
        }

Or m.success = false alors que la page contient bien la balise h1.

Comment faire ?

Merci !

[tomlev]

Ben ton groupe de capture ne contient rien, donc ça ne marchera que pour une balise h1 vide... Avec ça, ça devrait marcher mieux :

"<h1>(?<title>.+)</h1>"

Note que les expressions régulières sont particulièrement inadaptées pour parser du HTML... utilise plutôt le DOM (HtmlDocument) si ton HTML est affiché dans un WebBrowser, ou alors un outil comme le HTML Agility Pack.
On ne peut malheureusement pas utiliser un parser XML, car ceux-ci nécessitent un document XML valide (et c'est rarement le cas pour du HTML...)

[Papy214]

tomlev:

Je profite de la situation pour te demander un petit complément. Si on code:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
 
Regex title = new Regex("<h1>(?<title>.+)</h1>");
Match m = title.Match(@"<h1>Bonjour</h1><h1>Adieu</h1>");
if (m.Success)
    MessageBox.Show(m.Groups["title"].Value);

ça affiche: "Bonjour</h1><h1>Adieu"

Normal puisque le texte est compris entre les deux balises.

Mais quelle serait la syntaxe pour obtenir les 2 résultats "Bonjour" et "Adieu" ?

Papy

[tomlev]

Mais quelle serait la syntaxe pour obtenir les 2 résultats "Bonjour" et "Adieu" ?

"<h1>(?<title>.+?)</h1>"

Le modificateur "?" après le "+" signifie "le moins de caractères possible" (lazy). Le comportement par défaut est de prendre le plus de caractères possible (eager)

[Papy214]

"<h1>(?<title>.+?)</h1>"

Le modificateur "?" après le "+" signifie "le moins de caractères possible" (lazy). Le comportement par défaut est de prendre le plus de caractères possible (eager)

Ca fait des années que j'essaye de comprendre ce truc et je reste lamentable sur ce sujet

J'ai rajouté le ? comme tu l'indiques mais du coup c'est le code qui doit plus coller. J'obtiens 2 affichages avec
<h1>Bonjour</h1>
suivi de
Bonjour

Je vais continuer à essayer de trouver enfin un tutoriel qui explique ça de façon claire ....

Merci quand même pour cette indication sur le lazy et le eager.


suite ...

Pour l'instant, j'en suis là, et pas mécontent

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
            foreach (Match item in new Regex("<h1>(?<title>.+?)</h1>").Matches(@"<h1>Bonjour</h1><h1>Adieu</h1>"))
                MessageBox.Show(item.Groups[1].Value);

[Arsenic68]

Pour ça moi j'utiliserai une autre expression régulière

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

"<h1>([a-z-A-Z]*)</h1>"

et là tu aura bien Bonjour et Adieu

[tomlev]

Pour ça moi j'utiliserai une autre expression régulière

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

"<h1>([a-z-A-Z]*)</h1>"

et là tu aura bien Bonjour et Adieu

Et s'il y a des espaces, des chiffres ou d'autres balises HTML entre <h1> et </h1>, tu n'auras rien du tout

[calagan99]

Comme le disais Tomlev plus haut, pourquoi passer par une regex ?

Utilise la classe HtmlGenericControl du Framework :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
string maString;
HtmlGenericControl h1 = new HtmlGenericControl("h1");
//puis récupération du contenu du <H1> par 
maString = h1.InnerHtml;

[tomlev]

Comme le disais Tomlev plus haut, pourquoi passer par une regex ?

Utilise la classe HtmlGenericControl du Framework :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
string maString;
HtmlGenericControl h1 = new HtmlGenericControl("h1");
//puis récupération du contenu du <H1> par 
maString = h1.InnerHtml;

Euh... ça c'est bien si c'est toi qui définis le contenu de la balise h1, mais si tu dois parser du HTML existant ça n'aide pas beaucoup

[calagan99]

Tomlev, je ne suis pas sûr de bien comprendre

[tomlev]

Tomlev, je ne suis pas sûr de bien comprendre

Ben ta proposition ne répond pas à la question, qui est comment extraire ce qui est entre <h1> et </h1> dans une chaine de caractères. Suppose que tu as ça :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

string html = "<h1>Bonjour</h1>";

Comment tu extrais "Bonjour" avec HtmlGenericControl ?

[calagan99]

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

string html = "<h1>Bonjour</h1>";

Comment tu extrais "Bonjour" avec HtmlGenericControl ?

Bah, avec la méthode proposée ci-dessus

Mea Culpa, je suis à la rue aujourd'hui. Il s'agit d'un bloc de HTML récupéré dans une string, je n'avais pas fait attention.

Désolé.