Supprimer des balises HTML imbriquées les une dans les autres

Version imprimable

06/09/2012, 15h59
Ceubex

Supprimer des balises HTML imbriquées les une dans les autres

Bonjour,

Je cherche à supprimer d'un texte certaines balises HTML ayant une certaine class. Alors j'ai essayé avec une expression régulière du type <mabalise.+</mabalise> et des trucs plus élaborés mais ça ne marche pas dans la pratique.

Par exemple, mettons que j'ai le code suivant au milieu du code HTML d'une page :

Code:

Salut

Je veux supprimer le contenu du span de class element1 et le span avec. Mais si je veux faire ça bien, il ne faut pas que ça s'arrête au premier . Il faut qu'il compte combien ont été ouverts avant.

Connaissez vous une bonne manière de faire ça ?
06/09/2012, 18h30
fubuntu

Bonjour,
pour faire ce que tu souhaite une expression régulière ne peut pas marcher car tu ne peut pas compter dans combien de balise tu est imbriqué.
Je pense qu pour faire ton traitement tu peut :
1-chercher avec un regex le début de ce que tu cherche (<mabalise)
2-a partir de la tu met un compteur à 1
3-tu parcours la suite, tu incrémente a chaque fois que tu retrouve ta balise, tu le décrémente quand tu trouve une fermeture. tu arrête quand ton compteur est égal à 0 car tu est à la position de ta balise fermante correspondant a la balise trouvé en 1.
4-tu peut traiter l'intérieur des 2 balise comme tu le souhaite (supprimer)
5-tu peut retourner à l'étape 1 pour traiter la fin de ta chaine
06/09/2012, 18h39
Ceubex

Ok j'avais espéré qu'il existe une api pour ça mais je pense qu'il va falloir coder le truc

Je poste ici le code avec lequel j'ai réussi à régler mon problème au cas où quelqu'un en aurait besoin.
Si quelqu'un voit une amélioration du côté performance à y apporter je suis preneur car mon logiciel est assez sensible à la perf

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
	static String eleverTagClass(String code,String tag, String classe)
	{
		Matcher m=find("<"+tag+" [^>]*class=\""+classe+"\"",code);
 
		if(m.find())
		{
			int debut=m.start();
			int fin=-1;
			int nbTagIdentiqueEntre=0;
 
			String codeCouper=code.substring(m.end());
			Matcher m2=find("<"+tag+">|<"+tag+" |</"+tag+">",codeCouper);
 
			while(m2.find())
			{
				String tagTrouve=codeCouper.substring(m2.start(), m2.end());
 
				if(!tagTrouve.contains("/")) nbTagIdentiqueEntre++;
				else
				{
					if(nbTagIdentiqueEntre==0)
					{
						fin=m2.end();
						break;
					}
					else nbTagIdentiqueEntre--;
				}
			}
 
			if(fin>-1)
			{
				return code.substring(0, debut)+code.substring(m.end()+fin);
			}
		}
 
		return code;
	}

06/09/2012, 20h17
Népomucène

éventuellement considérer ce fichier comme du xml et non du html
comme ça tu manipules facilement tes éléments avec une API genre SAX ou DOM4J

je ne sais pas si c'est faisable car cela dépend aussi du reste du texte
07/09/2012, 12h03
thelvin

Citation:

Envoyé par Népomucène

éventuellement considérer ce fichier comme du xml et non du html
comme ça tu manipules facilement tes éléments avec une API genre SAX ou DOM4J

Ou jsoup au cas où ce ne soit pas vraiment compatible XML.

Deux problèmes toutefois :
- ces outils sont bien plus fiables, mais bien plus lents niveau perfs qu'un bricolage peu fiable mais qui marche assez bien.
- En cas de contenu invalide, jsoup l'acceptera quand même, mais le réparera dans sa mécanique interne. Ce qu'on écrit peut être très différent de ce qu'on a lu, même si en HTML ce serait interprété pareil.