Limite d'une regexp ?

Version imprimable

Bonjour à tous et à toutes.

je cherche a extraire tous les hyperliens d'une page web. Je me sers donc de cette petite regexp sympathique

Code:

(<a[^<>]*?href=["\'](.+?)["\'].*?>(.*?)</a>)|(<form[^<>]*?action=["\'](.+?)["\'].*?>)|(<area[^<>]*?href=["\'](.+?)["\'].*?>)

Elle fonctionne a merveille mais voila que j'ai un site ou il y a énormément de balise <area ...>

Donc après plusieurs test voici les résultats que je ne comprend pas très bien...

Jusqu'à 7 liens ca marche

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
<area shape="poly" coords="..." href="lien1.html" title="title1">
<area shape="poly" coords="..." href="lien2.html" title="title2">
<area shape="poly" coords="..." href="lien3.html" title="title3">
<area shape="poly" coords="..." href="lien4.html" title="title4">
<area shape="poly" coords="..." href="lien5.html" title="title5">
<area shape="poly" coords="..." href="lien6.html" title="title6">
<area shape="poly" coords="..." href="lien7.html" title="title7">
 
pattern : '#(<a[^<>]*?href=["\'](.+?)["\'].*?>(.*?)</a>)|(<form[^<>]*?action=["\'](.+?)["\'].*?>)|(<area[^<>]*?href=["\'](.+?)["\'].*?>)#'
 
Résultat : 
( 0 => '<area shape="poly" coords="..." href="lien1.html" title="title1">'
1 => ''
2 => ''
3 => ''
4 => ''
5 => ''
6 => '<area shape="poly" coords="..." href="lien1.html" title="title1">'
7 => 'article408.html'
)

Et a 8 ca plante...

Code:

1
2
3
4
5
6
7
8
9
10
11
12
<area shape="poly" coords="..." href="lien1.html" title="title1">
<area shape="poly" coords="..." href="lien2.html" title="title2">
<area shape="poly" coords="..." href="lien3.html" title="title3">
<area shape="poly" coords="..." href="lien4.html" title="title4">
<area shape="poly" coords="..." href="lien5.html" title="title5">
<area shape="poly" coords="..." href="lien6.html" title="title6">
<area shape="poly" coords="..." href="lien7.html" title="title7">
<area shape="poly" coords="..." href="lien8.html" title="title8">
 
pattern : '#(<a[^<>]*?href=["\'](.+?)["\'].*?>(.*?)</a>)|(<form[^<>]*?action=["\'](.+?)["\'].*?>)|(<area[^<>]*?href=["\'](.+?)["\'].*?>)#'
 
Pas de match

Quelqu'un pourrait m'expliquer pourquoi et s'il y a un moyen de pallier ce problème ?

01/07/2011, 16h26
stealth35

utilise DOMDocument pour parser du HTML
03/07/2011, 01h41
Avalion

Certes ^^ mais ca n'explique pas le problème un peu étrange... mais merci du conseil ;)
03/07/2011, 05h53
stealth35

Citation:

Envoyé par Avalion

Certes ^^ mais ca n'explique pas le problème un peu étrange... mais merci du conseil ;)

pourquoi étrange y'a rien qui me choque le [^<>] c'est tout les caractères sauf < et > donc forcement le era est dedans, utilise les bons outils et tu n'auras pas ce probleme ...
04/07/2011, 09h27
Avalion

oui <area ... href=""> est bien reconnu par '#<a[^<>]*?href="(.+?)"#' mais pas par '#<a[^<>]*?href="(.+?)"[^<>]*?>.*?</a>#'

deuxièmement même au cas ou ca aurait été ca, il aurait du me retourner ma balise, même s'il me la considérait comme un lien et pas un area. or ici, le retour est vide... Ce que je ne pige pas c'est juste que ca fonctionne pour une chaine ou il y a 7 patterns à la syntaxe totalement identique mais plus pour 8 (dans ce cas la)
04/07/2011, 09h44
stealth35

Citation:

mais pas par '#<a[^<>]*?href="(.+?)"[^<>]*?>.*?</a>#

normale si tu fermes ton <area> par </a> ...

J'ai posté mes tests, il n'y a pas de </a> J'ai fini par réussir à faire ce que je voulais mais je comprend toujours pas pourquoi cette erreur à lieu (simple curiosité ^^) et effectivement, j'ai changé mon pattern en '#<a[^r>][^<>]*? (...)#' merci pour ca ^^

Je précise que je fais un simple preg_match et non un preg_match_all dans le cas du test

Citation:

Envoyé par Avalion

Jusqu'à 7 liens ca marche

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
<area shape="poly" coords="..." href="lien1.html" title="title1">
<area shape="poly" coords="..." href="lien2.html" title="title2">
<area shape="poly" coords="..." href="lien3.html" title="title3">
<area shape="poly" coords="..." href="lien4.html" title="title4">
<area shape="poly" coords="..." href="lien5.html" title="title5">
<area shape="poly" coords="..." href="lien6.html" title="title6">
<area shape="poly" coords="..." href="lien7.html" title="title7">
 
pattern : '#(<a[^<>]*?href=["\'](.+?)["\'].*?>(.*?)</a>)|(<form[^<>]*?action=["\'](.+?)["\'].*?>)|(<area[^<>]*?href=["\'](.+?)["\'].*?>)#'
 
Résultat : 
( 0 => '<area shape="poly" coords="..." href="lien1.html" title="title1">'
1 => ''
2 => ''
3 => ''
4 => ''
5 => ''
6 => '<area shape="poly" coords="..." href="lien1.html" title="title1">'
7 => 'article408.html'
)

Et a 8 ca plante...

Code:

1
2
3
4
5
6
7
8
9
10
11
12
<area shape="poly" coords="..." href="lien1.html" title="title1">
<area shape="poly" coords="..." href="lien2.html" title="title2">
<area shape="poly" coords="..." href="lien3.html" title="title3">
<area shape="poly" coords="..." href="lien4.html" title="title4">
<area shape="poly" coords="..." href="lien5.html" title="title5">
<area shape="poly" coords="..." href="lien6.html" title="title6">
<area shape="poly" coords="..." href="lien7.html" title="title7">
<area shape="poly" coords="..." href="lien8.html" title="title8">
 
pattern : '#(<a[^<>]*?href=["\'](.+?)["\'].*?>(.*?)</a>)|(<form[^<>]*?action=["\'](.+?)["\'].*?>)|(<area[^<>]*?href=["\'](.+?)["\'].*?>)#'
 
Pas de match

04/07/2011, 10h15
stealth35

Citation:

Envoyé par stealth35

utilise DOMDocument pour parser du HTML

je vois pas pourquoi tu t’embêtes ...