Regex Java : extraire la valeur d'un attribut d'une balise HTML

Bonjour à tous,

J'ai une chaîne de départ qui représente une balise de lien HTML :

Code:

---

<a href="http://www.google.fr">Aller à Google</a>

---

A l'aide d'expressions régulières, je souhaite récupérer la cible du lien "http://www.google.fr"

J'utilise donc les objets java.util.regex.Matcher et java.util.regex.Pattern comme ceci (la variable tag contient mon lien) :

Code:

---

1 2 3 4

Pattern p = Pattern.compile("<a href=['\"](.*)['\"]>(.*)</a>"); Matcher m = p.matcher(tag);   if (m.find()) System.out.println(m.group(1));

---

Avec ce code, j'obtiens ce que je souhaite : http://www.google.fr

Seulement voilà, quand je prends un lien avec plusieurs attributs, comme celui-là :

Code:

---

<a href="http://www.google.fr" onclick="javascript:openPop()" rel="...">Aller à Google</a>

---

J'obtiens :

Code:

---

http://www.google.fr" onclick="javascript:openPop()" rel="...

---

J'ai bien compris pourquoi : le motif de mon expression extrait toute la chaîne compris entre le premier et le dernier double-guillemets (") de la chaîne.

Le truc c'est que j'ai bidouillé un peu mon motif mais je n'arrive pas à obtenir ce que je veux. Pour résumé il faudrait extraire uniquement le contenu de l'attribut "Href".

Merci par avance, je sèche un peu.

Bonne soirée.

Salut,

L'extraction est faite jusqu'au dernier guillemet surtout parce que tu demandes d'extraire jusqu'un " (ou ') suivi d'un >, donc c'est forcément le dernier (sauf s'il y avait une espace entre le " et le >, ou pas de " du tout sur l'attribut...). Il faut donc ajouter un .* avant le >. Mais ça ne suffirait pas, car la recherche est "gourmande" par défaut : il faut utiliser un quantifier reluctant (le ? parès le .* de ton groupe de capture).

Code:

---

Pattern p = Pattern.compile("<a href=['\"](.*?)['\"].*>(.*)</a>");

---

Mais il y a tellement d'autres cas à traiter que tu auras toujours d'autres exceptions qui vont complexifier ton expression. Il est beaucoup plus simple d'utiliser un parser html, tel que jsoup par exemple.

Bonsoir,

Merci pour l'astuce, j'avais fini par trouver une autre solution mais celle-ci est plus propre.

Pour JSoup j'y ai pensé mais pour l'instant comme je ne fais qu'extraire des liens, je préfère rester sur cette solution, bien que son utilisation a l'air très très simple (beaucoup plus que HTML Parser d'après ce que j'ai pu voir).

A terme, le projet va sûrement traiter d'autres balises et à ce moment là je pense que me servirai de JSoup.

Merci en tout cas.