Discussion :

[McCrazy]

Bonjour ,

J'essaie de parser un fichier HTML , pour y extraire des infos : Problème je ne sais comment m'y prendre car mes connaissances étant limité sur du HTML ,Perl , ....

Puisque j'apprends également du perl , alors j'ai pensé que les Regex , pourrait m'aider .

Ce que je veux faire exactement c'est trouver une expression réguliere qui me permet de 'matcher' les lignes d'un tableau , et ensuite pouvoir extraire les infos contenu dans les colonnes .

Voici un exemple du code HTML (correspondant à une ligne de tabeau)
(juste préciser que j'ai une cinquantaine de ligne dans ce genre ...)

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
<tr>
<td>1</td>
<td>
<a href="#objdef-id3206X4432">mx1.messagelabs.com</a><br>
</td>
<td>
<a href="#objdef-id1856X4432">MX_servers</a><br>
</td>
<td>smtp<br>
</td>
<td>Accept</td>
<td><br>
</td>
</tr>

une expression régulière pourrait etre celle ci : le problème c'est qu'elle correspond à plusieurs lignes dans le fichier HTML , alors je cherche une autre solution.. et aussi comment je peux récuperer les données dans les colonnes de cette ligne ?

[

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
#!/usr/bin/perl
use strict;
use warnings;
 
 
# Sous-routine permettant d'entrée le fichier en CLI
sub obtient_ligne{
  #demande , lit , "chompe" et renvoie une ligne d'entrée 
  print $_[0];
  chomp(my $ligne = <STDIN>);
  $ligne ;
}
 
my $fichierHTML = &obtient_ligne (" votre fichier HTML ?");
  open IN ,$fichierHTML 
  or die "Impossible d'ouvrir '$fichierHTML ' en entrée : $!";
 
 
 
  while (<>) {
  if (/<tr><td>[0-9]<\/td><td>[a_zA-Z0-9_]<br><\/td><td>[a_zA-Z0-9_]<br><\/td><td><a href=\"#objdef-id3C20EEB5\">[a_zA-Z0-9_]<\/a><br><\/td><td>Accept¦Deny<\/td><td><br><\/td>[a_zA-Z0-9_]<\/tr>/) {
    print ;
  }
}

merci ...

[jabbounet]

tu peux aussi utiliser un parser xml

http://xmlfr.org/documentations/articles/000314-0003
http://search.cpan.org/~msergeant/XM...2.36/Parser.pm

[Philou67430]

Il existe même directement des parser HTML : http://search.cpan.org/search?query=...arser&mode=all

[McCrazy]

OK ,

j'ai regardé ...ça m'a pas l'air très simple ...
connaissez vous ou je peux trouver les tutos en francais ? avec plus d'exemple ?
j'ai jamais fait du parsing , alors sans exemple je ne vois pas comment je pourrais commencer , surtout que le temps me fait défaut ..

merci

[jabbounet]

OK ,

j'ai regardé ...ça m'a pas l'air très simple ...
connaissez vous ou je peux trouver les tutos en francais ? avec plus d'exemple ?
j'ai jamais fait du parsing , alors sans exemple je ne vois pas comment je pourrais commencer , surtout que le temps me fait défaut ..

merci

tu as ça dans la section tutoriel du site.
http://djibril.developpez.com/tutoriels/perl/perl-xml/

[McCrazy]

Bonjour ,

merci pour le tuto..
j'ai réussi à extraire ce que je voulais grace à HTML::Parser , mais j'ai juste un problème ,

pour mieux manipuler les données extraites , je voudrais les stocker dans un tableau , mais là ..j'ai essayé de le faire dans la sous routine sub text , mais mon tableau @data , ne me donne rien ... pourquoi ??????

voici le code

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
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
#!/usr/bin/perl
 
use strict;
use HTML::Parser;
#package MyParser;
#use base qw(HTML::Parser);
 
 #my $p = new HTML::Parser;
 #   $p->parse_file("backup.html"); 
 
 
my $parser = HTML::Parser->new();
# définition des evenements
$parser->handler( text  => \&text,  "dtext" );
$parser->handler( start => \&start, "tagname,attr" );
$parser->handler( end   => \&end,   "tagname" );
 
my $count_td;
my $count_a;
    my @data;
 
    sub start {
        my ($tag, $attr,$attrseq, $origtext) = @_;
       $count_td++;
            if( $tag eq 'td'){
             #print "ne rien faire \n";
            }
            elsif ($tag eq 'a'and $attr->{href} eq '/[a_zA-Z0-9_]/' ){
            $count_a++
            }
    }
 
 
    sub end {
        my ($tag) = @_;
       $count_td--;
       $count_a--;
            if( $tag eq 'td' and $count_td){
            #print " td \n";
            }
            elsif ($tag eq 'a' and $count_a){
            #print "a \n";
 
            }
    }
 
 
    sub text {
        my ($text) = @_;
        if ($count_td){
        push @data, $text ;
        print " $text  \n";
        }
         elsif ($count_a){
        push (@data, $text);
        print" $text \n";
        }
 
        print @data;
        return @data;
    }
 
print @data ;
# package main;
 
my $html = <<EOHTML;
    #<html>
<tr>
<td>1</td>
<td>
<a href="#objdef-id3206X4432">mx1.messagelabs.com</a><br>
</td>
<td>
<a href="#objdef-id1856X4432">MX_servers</a><br>
</td>
<td>smtp<br>
</td>
<td>Accept</td>
<td><br>
</td>
</tr>
<tr>
<td>2</td>
<td>
<a href="#objdef-id1856X4432">MX_servers</a><br>
</td>
<td>Any<br>
</td>
<td>smtp<br>
</td>
<td>Accept</td>
<td><br>
</td>
</tr>
<tr>
<td>3</td>
<td>
<a href="#objdef-id1856X4432">MX_servers</a><br>
</td>
<td>
<a href="#objdef-id1854X4432">Domain_controllers</a><br>
</td>
<td>
<a href="#objdef-id4885X4432">Tcp 139</a><br>
</td>
<td>Accept</td>
<td><br>
</td>
</tr>
   #</html>
EOHTML
 
 
#my $parser = MyParser->new;
 
 
    $parser->parse( $html );