Ignorer balises lors du parsing

Version imprimable

Bonjour , j ' aimerai pouvoir parser un fichier html que je récupere sur internet via jdom.
Or , je ne peut parser le fichier a cause de la ligne :"<!DOCTYPE html>
<html lang="fr">" qui se trouve dans le fichier.
Peut - on ignorer ces instructions lors du parsing html ?

Pour info , mon fichier html ressemble a ceci:

Code:

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
<!DOCTYPE html>
<html lang="fr">
  <head>
    <meta name="generator"
    content="HTML Tidy for Java (vers. 2009-12-01), see jtidy.sourceforge.net" />
    <meta http-equiv="content-type"
    content="text/html; charset=ISO-8859-1" />
<script type="text/javascript">
(function(){var h=document.documentElement;h.className+=" js";(new
Image()).src='http://a.l.yimg.com/a/i/eu/sch/fr_srp_metro_20090914.png';})();
    </script>
    <link rel="alternate" type="application/rss+xml"
    title="Yahoo! France Search results for itin"
    href="http://api.search.yahoo.com/WebSearchService/rss/webSearch.xml?appid=yahoosearchwebrss&amp;query=itin&amp;adult_ok=1&amp;region=fr" />
    <title>itin - Yahoo! France R�sultats de
    recherche</title>
    <link rel="stylesheet" type="text/css"
    href="http://a.l.yimg.com/a/lib/s8/srp-core-css_201102221437.css" />
<style type="text/css">
s,.sprt,#logo,#att_icon,#verizon_icon
.ico,#at-tog,.h-gui-icon,.ssbang,.sschk,.ssochk,.ssbx,#ss
a.ss-remove,.ads a.pp-l,.news-nph,.stars-sm span,.stars-lg
span,.thmbplay,.sc-promo-img,.sc-close{background-image:url(http://a.l.yimg.com/a/i/eu/sch/fr_srp_metro_20090914.png);}.alsotry{font-size:1.1em;}.msg404{background-color:#7B0099;color:#FFF;margin-left:197px;padding:5px;line-height:1.5em}.msg404
h1{font-size:138.5%;display:inline;margin-left:5px;*margin-left:0}.msg404
.ico{float:left;width:22px;height:22px;top:-2px;left:-2px;border:none;margin-right:2px}.msg404
.ico img{width:22px;height:22px;vertical-align:top;border:1px solid
#7B0099}.msg404 a,.custom a:visited{color:#FFF}.msg404
p{margin-left:28px}.msg404 .relmsg{font-weight:bold}.msg404 .relmsg
cite{font-weight:normal}
    </style>
<style type="text/css">
.sm-plain
.thmbplay,span.sm-ldg,a.sm-cls,span.sm-flg,a.sm-flg,a.sm-snd,a.sm-hlp,a.sm-ext,a.sm-ext-u,.bbl-cls,#ysch
.yui-dialog .container-close,#ysch .yui-dialog
div.on,.sm-ctl-b,.sm-ctl-t{background-image:url(http://a.l.yimg.com/a/i/us/sch/gr4/smsprt_20090407.png);background-repeat:no-repeat;font-size:
0;}.ads.horiz.bot{background-color:#ecf4fa;}.rais{min-width:516px}.rais
h2 a{margin-right:7px}.rais
.abst{max-width:42em;margin-right:8px;_margin-right:0;_width:508px}.rais
p{margin-top:1px;*margin-top:0}.spns li.rais div
h3{margin-bottom:1px}.spns li.rais div h3 a{font-size:123%}.spns
li.rais div a{font-size:100%}body.opera .rais h3,body.safari .rais
h3{margin-bottom:0}.rais .thmb{float:right;margin:4px 0 0 5px}.rais
.btm{clear:both}.rais em{color:#008000}.rais_dl{color:#888}.rais_dl
a{white-space:nowrap}.rais_vert{max-width:28em;margin:0;padding:3px
0 0
43px}.rais_vert:after{clear:both;content:'.';display:block;height:0;visibility:hidden}.rais_vert_dl{max-width:20em;float:left}.rais_vert_frm{max-width:20em;float:left;margin-left:35px}.ads
li.rais .rais_dl a{display:inline}.ads.horiz{zoom:1}.ads .rais
.vidmsg{width:94px;margin-left:4px}.ads .rais .thmb
span.thmbplay{background-position:-183px
-376px}#rais_cr_pdt,#rais_cr_ddt,#rais_cr_loc,#rais_go{font-size:12px}#rais_cr_pt,#rais_cr_dt{bottom:1px;font-size:11px;position:relative}.ads.horiz
ul.reducepx-spnslist{padding-bottom:4px;padding-top:3px}.rais
a.thmb{width:82px;height:62px;border:1px solid
#999;background-color:#FFF}.rais .thmb
img{width:80px;height:60px;border:0;margin:1px}.rais
img.thmb{width:80px;height:60px}.rais .logo{top:57px}.rais
div.clr{clear:both}.rais ul.pharma{float:right;padding:0}.rais
ul.pharma li{padding:0;margin:0}.rais ul.pharma
.thmb{float:left;width:87px;height:67px}#warn_lnk{cursor:pointer}#warn_lnk
a{margin-left:5px;margin-right:2px;color:#0000DE;font-size:12px}#warn_lnk
s{background-repeat:no-repeat;cursor:pointer;font-size:0}#warn_lnk
s.ico-colps{background-position:-192px
-66px;height:5px;width:8px;cursor:pointer;display:inline-block}#warn_lnk
s.ico-expnd{-moz-transform:rotate(180deg);-webkit-transform:rotate(180deg);filter:progid:DXImageTransform.Microsoft.BasicImage(rotation=2);_filter:none;top:-2px;position:relative}.rais
.warnmsg{font:12px arial;float:left;height:0;width:490px;margin:4px
15px 7px 0;background-color:#fff;border:1px solid
#999;padding:10px;overflow:auto}.rais .warnmsg
h4{color:#0000DE;text-decoration:underline;font-weight:bold;margin-bottom:1em}.rais
.hide{border:medium
none;overflow:hidden;padding:0;margin:0;position:relative}
    </style>
  </head>
  <body id="ysch" class=" netscape windows v5_0">
    <div id="doc">
      <h1 class="off-left">Yahoo! France Recherche Web</h1>
      <div id="uh">
        <ul class="l">
          <li class="hi">Bonjour, 
          <strong>Invit�</strong></li>
          <li>
            <a
            href="http://fr.wrs.yahoo.com/_ylt=A7x9Qb5hr6VNIVAA7UVjAQx./SIG=15ft0suel/EXP=1302725569/**http%3a//login.europe.yahoo.com/config/login%3f.src=srch%26.intl=fr%26.done=http%253A%252F%252Ffr.search.yahoo.com%252Fsearch%253Fei%253DUTF-8%2526q%253Ditin"
             target="_top">Ouvrir une session</a>
          </li>
          <li>
            <a
            href="http://fr.wrs.yahoo.com/_ylt=A7x9Qb5hr6VNIVAA7kVjAQx./SIG=11utmp3ug/EXP=1302725569/**http%3a//eur.help.yahoo.com/help/fr/ysearch/">Aide</a>
          </li>
etc....

Merci bien

13/04/2011, 17h28
thelvin

Citation:

Envoyé par j2ee60

Bonjour , j ' aimerai pouvoir parser un fichier html que je récupere sur internet via jdom.
Or , je ne peut parser le fichier a cause de la ligne :"<!DOCTYPE html>
<html lang="fr">" qui se trouve dans le fichier.
Peut - on ignorer ces instructions lors du parsing html ?

JDOM n'a pas le moindre problème avec ces balises-là.

Il n'y a pas moyen de dire à un parseur XML d'ignorer certaines balises, non... Mais il est toujours possible de modifier la source pour les enlever, avant d'envoyer ça au parseur.
Toutefois, tu n'as pas de problème sur les balises citées.

Note au passage que JDOM sert à charger du XML, pas du HTML. Il est vrai que ce document ressemble à du XML bien formé, mais j'imagine que ce n'est qu'un hasard.

Merci de ta réponse.

Je pense au contraire que JDOM ne lit pas ces balises la.
Voici mon code:
Code:

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 public static Element initialiserHtml() { sxb = new SAXBuilder(); try { document = sxb.build(new File("fichier.xml")); System.out.println(document); racine= document.getRootElement(); System.out.println(racine); } catch(NullPointerException e){ JOptionPane.showMessageDialog(null, "Aucun fichier XML ouvert" , "Erreur", JOptionPane.ERROR_MESSAGE); } catch (JDOMException e) { JOptionPane.showMessageDialog(null, "Fichier XML mal construit" , "Erreur", JOptionPane.ERROR_MESSAGE); } catch (IOException e) { JOptionPane.showMessageDialog(null, "Impossible d ' ouvrir le fichier XML" , "Erreur", JOptionPane.ERROR_MESSAGE); } return racine ; }
Celui ci fonctionne parfaitement quant j ' ouvre un autre fichier xml sans les balises problématiques, mais quant j ' ouvre le fichier xml m ' intéressant , il me renvoi au catch de JDOMException.
La fonction getRootElement me renvoi nul quoi qu ' il arrive...
C ' est quasiment le même problème que sur ce topic:
http://www.developpez.net/forums/d41...ug-jdom-xhtml/

Si tu as une idée du pourquoi , je suis preneur :P sachant que je ne peux pas modifier la source puisque je génère mon fichier automatiquement.

Pour la mise en forme du document html qui ressemble a du xml , c ' est parce que j ' utilise l ' api jtidy qui permet de générer une architecture xml a partir de HTML.

Merci bien

Citation:

Envoyé par j2ee60

Je pense au contraire que JDOM ne lit pas ces balises la.

Eh bien il est temps pour toi de cesser de penser des choses, et de les prouver à la place.

Tu vois ce document :
testdoctype.xml
Code:

1 2 3 4 <!DOCTYPE html> <html lang="fr"> <head/> </html>
Il contient les deux balises suspectées, plus une autre pour donner un genre de contenu.

Voici un test :
TestDoctype.java
Code:

1 2 3 4 5 6 7 public class TestDoctype { public static void main(String[] args) throws Exception { SAXBuilder builder = new SAXBuilder(); Document doc = builder.build(new File("testdoctype.xml")); new XMLOutputter().output(doc, System.out); } }
Conclusion : pas le moindre défaut, tout exactement comme tout doit être. Ces balises ne posent pas le moindre problème à JDOM, et il les lit et les conserve précieusement.

Prenons maintenant le fichier que tu avais donné en exemple : il n'y a que le début et certaines balises ne sont pas fermées, ce qui fait qu'il est mal formé. Faisons-en le nouveau contenu de testdoctype.xml, fermons les balises qui ne sont pas fermées, lançons le même programme.

Conclusion : réplique parfaite, avec la déclaration XML facultative ajoutée au début, et les caractère 0xFFFD passés de character references à caractères littéraux en ligne, ce qui est parfaitement autorisé.

Citation:

Envoyé par j2ee60

Celui ci fonctionne parfaitement quant j ' ouvre un autre fichier xml sans les balises problématiques, mais quant j ' ouvre le fichier xml m ' intéressant , il me renvoi au catch de JDOMException.
La fonction getRootElement me renvoi nul quoi qu ' il arrive...
C ' est quasiment le même problème que sur ce topic:
http://www.developpez.net/forums/d41...ug-jdom-xhtml/

Si tu as une idée du pourquoi , je suis preneur :P sachant que je ne peux pas modifier la source puisque je génère mon fichier automatiquement.

J'ai essayé ton code, et getRootElement() ne renvoie jamais null, conformément d'ailleurs à ce qu'indique sa JavaDoc.
Avec les deux exemples que nous avons testés au-dessus, getRootElement() renvoie très exactement la racine, sans aucun soucis.

J'ai essayé avec des exemples de HTML, qui ne seraient pas du XML bien formé : dans ce cas-là, bien entendu, sxb.build() échoue et lance une JDOMException, ce qui fait que getRootElement() n'est pas appelé. L'exception en question est catchée, puis le programme continue, alors que la variable racine n'a pas été assignée.
Par conséquent, initialiserHtml() renvoie null dans ce cas.
Notons au passage que cette construction statique et pleine d'Exceptions catchées et qui laissent le programme continuer, est particulièrement maladroite, avec les résultats que l'on constate.

Autrement dit, c'est sûrement ce que je dis depuis le début : complet, ton document n'est sûrement pas du XML bien formé, seul ce que tu en as montré en est.

Citation:

Envoyé par j2ee60

Pour la mise en forme du document html qui ressemble a du xml , c ' est parce que j ' utilise l ' api jtidy qui permet de générer une architecture xml a partir de HTML.

Tu en es sûr ? À ma connaissance, JTidy sert à lire, manipuler et écrire du HTML. Pas du XML.

14/04/2011, 01h05
j2ee60

Merci pour ton explication très complète et pertinente :)

Je comprend beaucoup mieux le problème grâce a ton aide.
En fait , la page que je récupérais via le moteur de recherche yahoo mettait les balises fermantes dans une balise script(<script type="text/javascript">) qui donc n ' était pas accessible dans le document. Je n ' ai pas prix le temps de vérifier le html car je croyais que jtidy me fournirai déjà un document validé . :oops:

J ' ai réglé le problème en changeant de moteur de recherche .

Citation:

Notons au passage que cette construction statique et pleine d'Exceptions catchées et qui laissent le programme continuer, est particulièrement maladroite, avec les résultats que l'on constate.

En fait , j ' aurai besoin plus tard de pouvoir identifier dans une GUI les différents type d ' erreurs possibles lors du parsing xml , voila pourquoi je catch plusieurs exceptions différentes.

Citation:

Tu en es sûr ? À ma connaissance, JTidy sert à lire, manipuler et écrire du HTML. Pas du XML.

Autant pour moi désolé :oops:
Je voulais dire par la que jtidy permettait d ' enregistrer du html dans une architecture proche du xml(validation du document,formatage du doc)

Merci beaucoup pour ton aide thelvin
:)