Parsing complexe de code HTML

Version imprimable

13/03/2006, 19h32
choas

Parsing complexe de code HTML

Salut,

Voila je ne cherche pas une solution toute faite, a moins vraiment que qqun en ai une lol, mais de l'aide serais déjà très bien.

Mon objectif :

J'enregistre une page web localement sur le server, pour l'ouvrir et ainsi pouvoir parser le code html.

Je dois en faite localiser les liens <a ...>...</a> sur la page, ensuite pour chaqu'un d'eux examiner le href="..." et si celui ci est un lien vers un fichier avec l'extention .zip/.rar, alors je doit obtenir ce qui se trouve entre le <a> et le </a> (le texte linker en qq sorte).

Exemple, si dans le code HTML de la page il y a :
<a href="map/france.zip">Blabla</a>

Alors mon script devra me renvoyer "Blabla".

Voila, étant donné que je n'ai jamais fait qq chose se rapprochant de ca, je suis un peu perdu, je ne sais pas trop bien comment m'y prendre pour analyser les code html, quelles fonctions sont a ma dispositions, lesquelles seraient les plus adaptées, ..

Merci beaucoup si qqun peut m'aider.

PS : Peut-être qu'il y a une librairie PHP gratuite permettant de faire ca ?

Pour donner une piste je te propose ceci :
Code:

1 2 3 4 5 6 7 8 9 10 11 12 <textarea rows="25" cols="80"><?php $ma_chaine = <<<EOS Ceci est une chaine comportant <a href="http://example.com" alt="zip">des liens</a> et <a href="fichier.zip">seulement</a> des liens. <A href="fichier.tar">Ok ?</A> EOS; preg_match_all('`<a\s.*href=["\'](.*)["\'].*>(.*)</a>`i', $ma_chaine, $matches); var_dump($matches); ?>
Attention, ce code ne marche pas, l'expression regulière est foireuse. Néanmoins en la corrigeant tu devrais pouvoir t'en sortir... Je suis une quiche en regexp alors je ne peux pas faire plus dans l'immédiat.
En attendant, tu peux te documenter sur http://www.expreg.com/

Salut

Voici une piste plus complète :
Code:

1 2 3 4 5 6 7 8 9 10 11 <? $string = '<a href="truc_1.rar">truc 1</a> <a href="truc_2.jpg">truc 2</a> <a href="truc_3.zip">truc 3</a>'; preg_match_all('#<a href="[^"]+\.(?:zip|rar)">(.+)</a>#Ui', $string, $matches); echo '<pre>'; print_r($matches); echo '<pre>'; ?>
Je suis parti du principe que tu as des liens correctement formés. Si ce n'est pas le cas, alors il faudra revoir la regex.
Dans cet exemple, tu auras tous tes liens dans $matches[1].

Merci Kirkis, grâce à l'option U, ma regexp marche nettement mieux !

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
<textarea rows="25" cols="80"><?php
 
 
$ma_chaine = <<<EOS
Ceci est une chaine comportant <a href="http://example.com" title="zip">des liens</a> 
et <a href="fichier.zip">seulement</a> des liens. <A href="fichier.tar">Ok ?</A>
EOS;
 
preg_match_all('`<a\s.*href=["\'](.*)["\'].*>(.*)</a>`Ui', $ma_chaine, $matches);
var_dump($matches);
 
?>
----------------------
array(3) {
  [0]=>
  array(3) {
    [0]=>
    string(52) "<a href="http://example.com" alt="zip">des liens</a>"
    [1]=>
    string(55) "<a title="fichier zip" href="fichier.zip">seulement</a>"
    [2]=>
    string(30) "<A href="fichier.tar">Ok ?</A>"
  }
  [1]=>
  array(3) {
    [0]=>
    string(18) "http://example.com"
    [1]=>
    string(11) "fichier.zip"
    [2]=>
    string(11) "fichier.tar"
  }
  [2]=>
  array(3) {
    [0]=>
    string(9) "des liens"
    [1]=>
    string(9) "seulement"
    [2]=>
    string(4) "Ok ?"
  }
}

Par contre ce que je reproche avec la tienne c'est qu'il y ait obligatoirement "<a href", nombre d'espace fixe, pas de possibilité d'avoir un attribut entre l'element a et href (Faut bien trouver quelque chose et défendre sa propre solution :P )

14/03/2006, 11h41
Yogui

Pfff, y'a toujours moyen de chipoter :twisted:

Code:

#<a.*href="[^"]+\.(?:zip|rar)"[^>]*>(.+)</a>#Ui