Parser page HTML en java

Bonjour,

Je réalise un projet en JAVA, pour cela je dois d'abord récupérer des information à partir du web. J'ai pu réaliser la connexion avec la page web et récupérer les code source HTML dans un objet BufferReader. Et cela fonctionne bien. Maintenant je voudrais savoir comment extraire des données à partir des ligne de codes par exemple.

quand je lie la ligne de code suivante:
<TD><a class="normal" href="2003-resultat.html">résultat match</a></TD>

Je voudrais savoir comment extraire "résultat match" de cette ligne de code. Je devrait d'ailleurs extraire plusieurs information du genre dans tout le code source

Merci

Citation:

---

Envoyé par nassim1987

Bonjour,

Je réalise un projet en JAVA, pour cela je dois d'abord récupérer des information à partir du web. J'ai pu réaliser la connexion avec la page web et récupérer les code source HTML dans un objet BufferReader. Et cela fonctionne bien. Maintenant je voudrais savoir comment extraire des données à partir des ligne de codes par exemple.

quand je lie la ligne de code suivante:
<TD><a class="normal" href="2003-resultat.html">résultat match</a></TD>

Je voudrais savoir comment extraire "résultat match" de cette ligne de code. Je devrait d'ailleurs extraire plusieurs information du genre dans tout le code source

Merci

---

perso, j'utiliserais StringUtils, et les méthodes substringAfter et substringBefore

mais si quelqu'un propose mieux ça m'interesse

J'ai trouvé des truc en utilisant StringTochnizer et la méthode split mais je sais pas vraiment comment les utiliser pour retrouver les mots que je recherche

Citation:

---

Envoyé par nassim1987

J'ai trouvé des truc en utilisant StringTochnizer et la méthode split mais je sais pas vraiment comment les utiliser pour retrouver les mots que je recherche

---

telecharge la librairie commons-lang d'Apache ici :
http://commons.apache.org/proper/commons-lang//

ensuite tu pourras faire :
String s = "<TD><a class=\"normal\" href=\"2003-resultat.html\">résultat match</a></TD>";
s = StringUtils.substringBefore(s, "</a>");
....

Bonsoir,

Si tu peux encore faire marche arrière je te conseille d'utiliser l'api selenium pour ce genre de manipulation, mais il faut utiliser selenium server pour pouvoir lancer le navigateur et ouvrir la page web surlaquelle tu vas récupérer tes données. :aie:

selenium.getText(String locator): ca ramène le texte qui est entre un tag donné.

Je pense que c'est quand même mieux d'utiliser un parser HTML. Tu peux utiliser JSoup qui est assez léger et très simple d'utilisation (surtout si tu as déjà fait un peu de web).

Bonjour,

Moi j'utilise des expressions régulières. C'est pas forcément le plus facile à comprendre mais ça permet pas mal de souplesse pour gérer les cas particuliers. La classe Pattern de Java est bien documentée et tu trouveras de très bons tutoriels sur developpez.com.

Mathieu

Citation:

---

Envoyé par Influenza

Moi j'utilise des expressions régulières. C'est pas forcément le plus facile à comprendre mais ça permet pas mal de souplesse pour gérer les cas particuliers. La classe Pattern de Java est bien documentée et tu trouveras de très bons tutoriels sur developpez.com.

---

C'est toujours mieux que du substringBefore et substringAfter, mais enfin, ça remplace pas un vrai parseur.

Citation:

---

Envoyé par thelvin

C'est toujours mieux que du substringBefore et substringAfter, mais enfin, ça remplace pas un vrai parseur.

---

ah ouais je connaissais pas JSoup tiens

par contre pour un débutant puisque c'est la section débutant, ça me paraissant plus rapide d'utiliser des substringBefore Last plutôt que de se lancer dans les regexp ...

bonjour,

parser un document HTML c'est comme parser un document XML, non ? Dans ce cas pourquoi ne pas utiliser des fonctions java qui permettent de manipuler le XML ?
http://java.developpez.com/faq/xml/

Citation:

---

Envoyé par Auteur

bonjour,

parser un document HTML c'est comme parser un document XML, non ?

---

Malheureusement, ça suppose que la page web ne contienne pas d'erreur :)

Citation:

---

Envoyé par tchize_

Malheureusement, ça suppose que la page web ne contienne pas d'erreur :)

---

Plus que ça. Il y a bien plus de règles à respecter en XML qu'en HTML.
C'est vrai que Java propose un parseur HTML qui, du coup, suppose juste qu'il n'y a pas d'erreur de HTML, mais c'est bien plus large qu'un parseur XML.

Et Jsoup, lui, supporte encore bien plus de pages du monde réel.