Expression reguliere relativement difficile

Bonjour a tous,

Probleme a lafois simple et complexe pour moi. Je me retrouve avec ce genre de String

Code:

---

[Recyclage <img src="/Handlers/Image.ashx?size=small&amp;name=2&amp;type=symbol" alt="2" align="absbottom" /><img src="/Handlers/Image.ashx?size=small&amp;name=U&amp;type=symbol" alt="Blue" align="absbottom" /> <i>(<img src="/Handlers/Image.ashx?size=small&amp;name=2&amp;type=symbol" alt="2" align="absbottom" /><img src="/Handlers/Image.ashx?size=small&amp;name=U&amp;type=symbol" alt="Blue" align="absbottom" />, défaussez-vous de cette carte de votre main*: Piochez une carte.)</i>, Quand vous recyclez l'Ensorceleur gemmepaume, tous les sorciers acquièrent le vol jusqu'à la fin du tour.]

---

Et je voudrais reussir a faire une expression reguliere qui me permetrait de transformer toutes les balises <img> et leur contenu en une string de ce type :

Code:

---

"{"+ici_le_contenu_de_l_attribut_alt+"}"

---

En gros, je voudrais remplacer mes balise images par la valeur de leurs attribut "alt",cette valeur devant etre entre "{}", mais tout en gardant le reste de la string intact.
Malheuresement je suis totalement incapable de pondre une regexp pareille....

Une aide ? une idee ? un conseil*?
Merci a vous :)

Salut,


Si ton texte est bien formé (pas de > dans le alt, les balises fermé avec des />, etc.) c'est relativement facile.
Il faut juste maitrisé les reluctant quantifier :

• "." représente un caractère quelconque.
• ".*" représente zéro ou plusieurs caractères quelconque... sachant que la plus grande chaine correspondante sera prise en compte.
• ".*?" représente zéro ou plusieurs caractères quelconque... mais là c'est la plus petite chaine qui sera recherché.

Exemple, avec ta chaine si tu fais s.replaceAll("<img.*>", "{IMG}") cela va te remplacer tout entre la première balise <img et la fermeture de la dernière balise > et tu obtiendra cecu : "[Recyclage {IMG}, défaussez-vous ...."
Mais avec les reluctant quantifier tu peux réduire l'impact. Le .*? s'arrêtant dès le premier caractère de fin trouvé. Ainsi s.replaceAll("<img.*?>", "{IMG}") te remplacera bien chacunes des balises <img> indépendamment : "[Recyclage {IMG}{IMG} <i>({IMG}{IMG}, défaussez-vous ...."


Reste à récupérer le ALT. Perso j'ai pris l'habitude de découper mes regexp pour les rendre plus lisible :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12

String regexp = "<img" // le début de la balise IMG + "[^>]*?" // n'importe quoi sauf le tag de fin + " alt=" // l'attribut alt + "\"" // une double quote + "(.*?)" // n'importe quoi // les parenthèses servent à récupérer la valeur // pour le remplacement (group 1) + "\"" // une double quote + "[^>]*?" // n'importe quoi sauf le tag de fin + ">"; // la fin du tag   System.out.println( s.replaceAll(regexp, "$1"));

---

Et voilà !



Tu peux encore avoir un problème si les ALT contiennent un double quote (exemple : alt="text \"quoted\" exemple").
Pour cela il faut que la quote de fin ne soit pas précédé d'un antislash. Il faut alors utilisé un "lookbehind" qui permet de d'interdire un caractère avant : "(?<!\\\\)\"" (

Code:

---

1 2 3 4 5 6 7 8 9 10

String regexp = "<img" // le début de la balise IMG + "[^>]*?" // n'importe quoi sauf le tag de fin + " alt=" // l'attribut alt + "\"" // une double quote + "(.*?)" // n'importe quoi // les parenthèses servent à récupérer la valeur // pour le remplacement (group 1) + "(?<!\\\\)\"" // une double quote, non précédé d'un antislash + "[^>]*?" // n'importe quoi sauf le tag de fin + ">"; // la fin du tag

---

Tu peux aussi avoir à gérer des tag alt avec des simples quote (exemple alt='2'), et dans ce cas tu vas devoir utiliser "[\"']" pour la première quote, le tout dans un groupe lié à une back-réréfence (ce qui permettra de prendre en compte le même caractère pour le début et la fin de l'attibut :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13

String regexp = "<img" // le début de la balise IMG + "[^>]*?" // n'importe quoi sauf le tag de fin + " alt=" // l'attribut alt + "([\"'])" // une double quote ou une simple quote (group 1) + "(.*?)" // n'importe quoi // les parenthèses servent à récupérer la valeur // pour le remplacement (group 2) + "(?<!\\\\)\\1" // le même caractère que le group 1, non précédé d'un antislash + "[^>]*?" // n'importe quoi sauf le tag de fin + ">"; // la fin du tag   // ATTENTION car du coup le numéro de groupe change : System.out.println( s.replaceAll(regexp, "$2"));

---

Je pense que c'est à peu près tout.
Si tu vas utiliser cela souvent je te conseillerais de créer un objet Pattern au lieu d'utiliser replaceAll() de String.
Ca évitera la création d'un objet Pattern temporaire (ce qui est couteux) :

Code:

---

1 2 3 4 5 6 7 8

String s = ".."   String result = s.replaceAll("regexp", "$1")   // Est l'équivalent de :   Pattern p = Pattern.compile("regexp"); String result = p.matcher(s).replaceAll("$1");

---

A noter également que tu pourrais utiliser les flags CASE_INSENSITIVE (pour ignorer la case) ou DOTALL (pour que le "." accepte les retours à la ligne) si tes balises <img> sont sur plusieurs lignes :

Code:

---

Pattern.compile("regexp", Pattern.CASE_INSENSITIVE | Pattern.DOTALL);

---

a++

Ouais enfin bien qu'en général personne ne le fasse, les > dans les attributs sont parfaitement autorisés.

Alors à moins d'avoir vérifié s'ils sont bien toujours échappés, ou qu'on s'en fiche si ça marche pas dans ces cas-là, moi je dis, les regex sont pas des parseurs et il ne faut pas essayer, un point c'est tout. En plus si le contenu est bien formé, c'est pas les parseurs qui manquent.

Quand je vois ce genre de chose je me dit qu'il faut vraiment que je mette au regexp, c'est tellement puissant (et beau :D). Merci beaucoup en tous cas, hier je n'ai plus trop eu le temps, je vais decortiquer ca ajourd'hui. Je pense que je vais en avoir besoin pour plus tard aussi, donc je vais vraiment l'etudier.

Effectivement je vais en avoir besoin de maniere recurente donc j'essairai d'optimiser le tout.

Pour ce qui est du parseur html, j'utilise deja jericho, mais sur ce coup la il ne repond pas a mon besoin, et ca va etre beaucoup plus simple de passer une petite regexp que de passer par la creation d'element, de boucle et encore d'autre choses, juste pour tranformer une <img/> en {}. Et normalement la structure du "alt" ne devrait en aucun cas changer donc ca va aller, surtout que je prevois de faire des tests derrieres :)

Encore merci, je repasserai pour dire si la regexp a fonctionnee :)

Citation:

---

Envoyé par thelvin

Ouais enfin bien qu'en général personne ne le fasse, les > dans les attributs sont parfaitement autorisés.

---

Je ne sais pas si c'est réellement autorisé ou si c'est juste supporté par les navigateurs et qu'il faut privilégier le &gt;, mais c'est quelque chose à prendre en compte si on ne maitrise pas la source de données...

Citation:

---

Envoyé par thelvin

moi je dis, les regex sont pas des parseurs et il ne faut pas essayer, un point c'est tout. En plus si le contenu est bien formé, c'est pas les parseurs qui manquent.

---

Ben dans ce cas précis il ne s'agit pas de parser un document mais de remplacer une sous-chaine... et les regexp peuvent être adapté dans ce cas.

Maintenant si l'on doit effectuer des choses plus poussé un parseur peut être plus adapté en effet.


a++

Citation:

---

Envoyé par adiGuba

Je ne sais pas si c'est réellement autorisé ou si c'est juste supporté par les navigateurs et qu'il faut privilégier le &gt;

---

Dans le cas de HTML Live Standards et de HTML5, tout ce qui n'est pas interdit est autorisé, et ce n'est pas interdit. Dans le cas de XML 1.0, le > est explicitement autorisé et le < explicitement interdit.
Dans le cas de HTML 4.01 et précédents, j'avoue que je ne sais pas. Ce sont des instances de SGML et je manque de moyens de vérifier ce que dit la norme à ce sujet.

Petite parenthèse à votre débat ;)

La regexp semble fonctionner nickel. J'ai rajouté un petit { et } dans le replaceAll et c'est tout bon.

Merci beaucoup de votre aide.