parser un document xml/xhtml

Version imprimable

Bonjour,

J'ai un fichier xhtml qui en gros ressemble a cela:
Code:

1 2 3 4 5 6 7 8 9 10 11 12 <?xml version="1.0" encoding="utf-8"?> <html xmlns="http://www.w3.org/1999/xhtml" xml:lang="fr"> <head> ... </head> <div class="text"> paragraphe1 paragraphe2 </div>
je souhaiterai transformer ce fichier pour obtenir cela en sortie:
Code:

1 2 3 4 5 paragraphe1 paragraphe2
Je recherche un parser xml/xhtml qui me permettrait de faire cela simplement. Je prefere utiliser un parser car par la suite j'aurai peut etre d'autres manipulation a realiser.

pour le moment j'ai tenter d'utiliser Mojo:DOM mais cela ne renvoi rien:
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 #!/usr/bin/env perl use strict; use warnings; use feature 'say'; use Mojo::DOM; # slurp all DATA lines my $dom = Mojo::DOM->new(do { local $/; <DATA> }); say $_->text for $dom->at('.text')->find('p')->each; __DATA__ <div class="text"> para1 para2 </div>
merci

09/09/2014, 18h48
Lolo78

Peut-être l'un des modules XML du CPAN: par exemple, XML:: Parser, XML::LibXML.

Citation:

Envoyé par Lolo78

Peut-être l'un des modules XML du CPAN: par exemple, XML:: Parser, XML::LibXML.

J'ai choisi LibXML mais pour le moment ce n'est pas exactement ce que je veux.
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 #!/usr/bin/perl use strict; use warnings; use XML::LibXML; use utf8; binmode(STDOUT, ":encoding(UTF-8)"); use open qw( :encoding(UTF-8) :std ); my $FichierXML = 'test.xml'; my $parser = XML::LibXML->new(); my $tree = $parser->parse_file($FichierXML); my $root = $tree->getDocumentElement; # Balise para my @para = $root->getElementsByTagName('p'); foreach my $childid (@para) { print ""."\n"; print $childid->getElementsByTagName('span')."\n"; }
j'aimerai avoir tout le texte contenu dans les balises p; le problème est que cette balise contient des sous noeuds span.

Comment puis-je faire ?

Citation:
Envoyé par knebhi
pour le moment j'ai tenter d'utiliser Mojo:DOM mais cela ne renvoi rien:
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 #!/usr/bin/env perl use strict; use warnings; use feature 'say'; use Mojo::DOM; # slurp all DATA lines my $dom = Mojo::DOM->new(do { local $/; <DATA> }); say $_->all_text for $dom->at('.text')->find('p')->each; __DATA__ <div class="text"> para1 para2 </div>
merci
Change l'appel à la méthode "text" par l'appel à la méthode "all_text" :)

10/09/2014, 13h33
knebhi

Citation:

Envoyé par Philou67430

Change l'appel à la méthode "text" par l'appel à la méthode "all_text" :)

merci ça fonctionne très bien. par contre j'aimerai mettre un marqueur entre chaque paragraphe comme un # ou autre chose.

quelle méthode je peux utiliser ?
10/09/2014, 16h52
Philou67430

Pourrais-tu donner un exemple de ce que tu veux obtenir ?
11/09/2014, 14h04
knebhi
Citation:

Envoyé par Philou67430

Pourrais-tu donner un exemple de ce que tu veux obtenir ?

en gros je veux récupérer tout le texte contenu dans les éléments - mais seulement les contenu dans la <div class="text">.

au final je souhaite insérer une balise entre chaque paragraphe pour obtenir ce résultat :
Code:

1 2 3 4 5 paragraphe1 paragraphe2

Comme ceci ?

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
#!/usr/bin/env perl
 
use strict;
use warnings;
use feature 'say';
use Mojo::DOM;
 
# slurp all DATA lines
my $dom = Mojo::DOM->new(do { local $/; <DATA> });
 
$dom->at('.text')->find('p')->each(sub { $_->content($_->all_text()) });
say "$dom";
__DATA__
<div class="text">
<p><span><span><span>para1</span></span></span></p>
<p><span><span><span>para2</span></span></span></p>
</div>

Code:

1
2
3
4
5
6
 
$ perl 1.pl
<div class="text">
<p>para1</p>
<p>para2</p>
</div>

Citation:

Envoyé par Philou67430

Comme ceci ?

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
#!/usr/bin/env perl
 
use strict;
use warnings;
use feature 'say';
use Mojo::DOM;
 
# slurp all DATA lines
my $dom = Mojo::DOM->new(do { local $/; <DATA> });
 
$dom->at('.text')->find('p')->each(sub { $_->content($_->all_text()) });
say "$dom";
__DATA__
<div class="text">
<p><span><span><span>para1</span></span></span></p>
<p><span><span><span>para2</span></span></span></p>
</div>

Code:

1
2
3
4
5
6
 
$ perl 1.pl
<div class="text">
<p>para1</p>
<p>para2</p>
</div>

non en fait je ne veux que le texte puis un retour chariot et enfin une balise 
mais je ne veux fermer la balise

Je ne crois pas qu'il soit possible de remplacer un élément par un arbre non conforme à XML (c'est à dire des balises non fermée) avec Mojolicious : si tu essayes ceci :
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 #!/usr/bin/env perl use strict; use warnings; use feature 'say'; use Mojo::DOM; # slurp all DATA lines my $dom = Mojo::DOM->new(do { local $/; <DATA> }); $dom->at('.text')->find('p')->each(sub { $_->replace(''.$_->all_text()) }); say "$dom"; __DATA__ <div class="text"> para1 para2 </div>
La balise de fermeture est automagiquement ajoutée :
Code:

1 2 3 4 5 $ perl 1.pl <div class="text"> para1 para2 </div>
Je pense, par extension, que ce n'est pas possible avec n'importe quel module manipulant un "DOM"

12/09/2014, 19h02
Lolo78

Il doit cependant être possible de retraiter manuellement le contenu généré par DOM juste avant der l'imprimer.
15/09/2014, 17h01
Philou67430

Autant tout faire en regexp alors, non ?
15/09/2014, 21h03
Lolo78

Citation:

Envoyé par Philou67430

Autant tout faire en regexp alors, non ?

Bah, à la limite, pourquoi pas? ;)

Voici un fil sur Perlmonks aujourd'hui ou hier dans lequel je dis que c'est faisable dans certains cas. Et j'ai eu (à l'heure actuelle) 25 votes positifs et aucun négatif. A l'heure où j'écris, mon post figure même en troisième meilleure position des posts de la journée. Ce qui prouve que les moines de Perlmonks sont moins intégristes qu'on pourrait le croire (pour des moines, je veux dire). ;)

Mais, personnellement, je crois que je préférerais ici retraiter le résultat produit par DOM, ce qui est assez simple, plutôt que de gérer le parsing du HTML.
17/09/2014, 15h27
knebhi

j'ai retraité le resultat (j'ai effacer quelques balises)- mais bon j'aurai tout un tas de fichiers donc c'est pour cela que je souhaitais faire ça le plus
proprement possible.

merci encore
18/09/2014, 17h08
chalu133

Peut-on acceder directement a une valeur d'un champ XML

Bonjour,
J'aurais une question concernant le lecture d'un champ XML:

J'ai un xml de la forme
----------------------------------------------------------------------
<General>
<Code name="ZA1">
<Type>BINARY</Type>
</Code>
<Code name="Y61">
<Type>BINARY2</Type>
</Code>
<Code name="Z61">
<Type>BINARY3</Type>
</Code>
</General>
---------------------------------------------------------------------------

Le scirpt Perl lit un fichier texte qui conrtient le "Code name", (ZA1,Y61,Z61,...) et je doit récupérer le "Type" dans le xml.
J'utilise avec XML::Simple

Pas de problème pour le récupéerer en faisant :
-----------------------------------------------------
my $parser = XML::Simple->new();
$monxml=toto.xml;
my $xml=$parser->XMLin($monxml, keyattr=>['General']);
my $xmlgeneral=$xml->{General};
my $Code=$xmlgeneral->{Code};
foreach my $fab (@{$Code}) {
if ($fab->{name} eq "$mavaleur") { # $mavaleur sera soit ZA1,Y61,Z61,...
print "Product type found ".$fab->{Type}."\n";
}
}

Mais je voudrais savoir s'il est possible de récupérer la valeur du tag <Type> sans passer par une boucle foreach
J'ai essayer plusieurs syntaxe du style $Code->$mavaleur->{Type} mais sans succés.

Merci,