Regex pour parser HTML

Bonjour,

Je cherche à récupérer le texte (avec une regex) contenu entre les balises <a href et img.

Par exemple, le code HTML suivant

Code:

---

... <a href="www.google.fr"><img src="www.google.fr/images"></a> ...

---

devrait me retourner ="www.google.fr" et src="www.google.fr/images", ce qui n'est pas le cas.

Bien sur je sais que le problème vient de ma regex, mais je n'arrive pas à en construire une correcte (malgré le cours de P. Plasserres).

Voici mon code actuel:

Code:

---

1 2 3 4 5 6 7 8

Protected Sub parseHTML(ByRef HTML As String) Dim pattern As String = "[<a href]([^>]+)[><img ]([^>]+)[></a>]" Dim matches As MatchCollection = Regex.Matches(HTML, pattern) For Each match As Match In matches Debug.WriteLine("HREF " & match.Groups(1).Value) Debug.WriteLine("IMG " & match.Groups(2).Value) Next End Sub

---

Toute aide sera la bienvenue. Merci par avance,

Furior

Bonjour,
à tester :

Code:

---

Dim pattern As String = "((?<=href=).+?)><img (.+?(?=>))"

---

Edit :
Un minimum d'explication :

((?<=href=).+?)><img (.+?(?=>)) : on défini deux groupes avec les parenthèses.

((?<=href=).+?)><img (.+?(?=>)) : ces groupes pourront être composés de n'importe quel caractère sauf la fin de ligne avec une recherche au plus court.

((?<=href=).+?)><img (.+?(?=>)) : l'expression que l'on impose de trouver entre les deux groupes et qui n'en fait pas partie. (Nota : on intègre un espace en fin).

((?<=href=).+?)><img (.+?(?=>)) : le premier groupe doit commencer par "href=" qui ne sera pas capturé (postanalyse positive).

((?<=href=).+?)><img (.+?(?=>)) : le second groupe doit finir par ">", également non capturé (préanalyse positive).

Tout est très bien expliqué là.

Les expressions régulières ne sont pas le bon outil pour parser du HTML, car celui-ci n'est pas un langage régulier. Alors bien sûr, dans les cas simples comme celui-ci, on peut toujours bidouiller pour obtenir ce qu'on veut, mais en général il vaut mieux utiliser un outil spécifique, comme HTML Agility Pack :

Code:

---

1 2 3 4 5 6

Dim doc As New HtmlDocument() doc.Load(fileName) For Each link As HtmlNode In doc.DocumentElement.SelectNodes("//a[@href"]) Dim attr As HtmlAttribute = link("href"); Dim url As String = attr.Value Next

---

Merci pour vos deux réponses.

L'expression proposée par chrismonoye a exactement le comportement que j'attendais.

Quand à HTML agility, je l'ai testé et je pense que c'est effectivement mieux pour parser.

Par contre il y avait quelques erreurs dans ton code tomlev, du coup je poste le code corrigé

Code:

---

1 2 3 4 5 6 7

Dim doc As New HtmlDocument doc.LoadHtml(stringHTMLSourceCode) For Each link As HtmlNode In doc.DocumentNode.SelectNodes("//a[@href]") Dim attrs As HtmlAttributeCollection = link.Attributes Dim attr As HtmlAttribute = attrs.Item("href") Dim url As String = attr.Value Next

---

Merci à vous deux, je passe en résolu.

Bonsoir,
Je cherche pratiquement la même solution.
j'ai une variable qui contient :

h2 class="nameCli">" <a href="http://www.xxxxxxxx> nom 1 </a>"
<div class="addr"><ul> <li> adresse 1 </li>"
<li class="call"> <span>Tél. :</span> num 1 </li>"


<h2 class="nameCli">" <a href="http://www.xxxxxxxx> nom 2 </a>"
<div class="addr"><ul> <li> adresse 2 </li>"
<li class="call"> <span>Tél. :</span> num 2 </li>"


<h2 class="nameCli">" <a href="http://www.xxxxxxxx> nom 3 </a>"
<div class="addr"><ul> <li> adresse 3 </li>"
<li class="call"> <span>Tél. :</span> num 3 </li>"


Je veux avoir dans un fichier cette forme :
nom1 , adresse 1 , num 1
nom2 , adresse 2 , num 2
nom3 , adresse 3 , num 3

Est-ce possible ?

Pourquoi ne pas traiter ton fichier comme un fichier XML, tu pourras utiliser LinqToXML pour récupérer les données qui t'intéressent.

Citation:

---

Envoyé par youtpout978

Pourquoi ne pas traiter ton fichier comme un fichier XML

---

Tout simplement car un fichier HTML n'est pas un fichier XML même si ca y ressemble. Il faut donc utiliser un parser HTML et non XML

dans le cas de Meher001 la structure de son fichier est très proche de celui d'un xml avec le même schéma qui se répète

Citation:

---

Envoyé par youtpout978

dans le cas de Meher001 la structure de son fichier est très proche de celui d'un xml avec le même schéma qui se répète

---

Oui mais "proche" ce n'est pas suffisant pour un parseur XML... HTML est beaucoup moins strict que XML, et certaines "erreurs" qui sont tolérées par les parseurs HTML (éléments non refermés, attributs sans guillemets, etc) ne seront pas du tout supportées par un parseur XML, qui échouera complètement à charger le fichier.

HTML Agility Pack est fait pour gérer ce genre de choses, et s'utilise d'ailleurs quasiment de la même façon que Linq to XML. J'ai écrit un article à ce sujet il y a quelques mois (c'est du C#, mais à part les diffférences de syntaxe c'est pareil en VB.NET)

Citation:

---

Envoyé par tomlev

Oui mais "proche" ce n'est pas suffisant pour un parseur XML... HTML est beaucoup moins strict que XML, et certaines "erreurs" qui sont tolérées par les parseurs HTML (éléments non refermés, attributs sans guillemets, etc) ne seront pas du tout supportées par un parseur XML, qui échouera complètement à charger le fichier.

HTML Agility Pack est fait pour gérer ce genre de choses, et s'utilise d'ailleurs quasiment de la même façon que Linq to XML. J'ai écrit un article à ce sujet il y a quelques mois (c'est du C#, mais à part les diffférences de syntaxe c'est pareil en VB.NET)

---

Je vois ça, ça a l'air pas mal manquerai plus que ça gère la sérialisation :D

Citation:

---

Envoyé par youtpout978

manquerai plus que ça gère la sérialisation :D

---

la sérialisation en HTML ? :koi:
pour quoi faire ?

Les mais c'est bon j'ai trouvé la solution avec un fichier html ou json qui on la même structure que xml et ça marche très bien.
Merci à tous :)