Parser une page html, quel outil ?

Version imprimable

15/11/2006, 11h15
ggnore

Parser une page html, quel outil ?

bonjour.

Je veux isoler des données dans une page html... la parser en somme.

Voici un extrait de la page :

Citation:

<a href="http://support.microsoft.com/kb/922616/en-us" target="_blank">KB922616</a>
Vulnerability in HTML Help could allow remote code execution<a href="http://www.microsoft.com/downloads/details.aspx?FamilyID=34ebe5d3-40c9-41dc-aaff-64608d3ac7b1&DisplayLang=en" target="_blank">Download</a>
700 KB (August 7, 2006)Switches: KB922616.exe /passive /norestart /quiet*** NEW ***

Je veux isoler les 2 urls ainsi que la section switches. Tout ça tient en une seule ligne.

Mes possibilités sont sed, awk, perl et sûrement d'autres.
Je les connais et les ai déjà utilisés avec succés mais je ne les maitrise pas.

Réussir à maîtriser un seul de ces outils est long, et j'ai peur de m'embarquer dans une solution et de passer beaucoup de temps pour une solution qui ne serait pas la plus logique/simple.

Merci d'avance pour vos conseils éclairés.
15/11/2006, 11h57
ggnore

Je m'oriente doucement vers la HTML::parser en perl.
Va falloir apprendre le perl :aie: pas gagnée cette histoire.
15/11/2006, 12h35
keikoz

Je pense que ça dépend du contexte, mais effectivmeent perl fera parfaitement l'affaire. Ça s'apprend relativement vite, je trouve. La faq d'ici-même est très bien faite.

Tu peux toujours te dire qu'apprendre perl ne sera pas du temps perdu puisqu'il te permettra de faire de très nombreuses autres choses :)

Code:

1
2
3
4
5
6
7
8
9
10
 $ lynx -dump minitest.html
 
   [1]KB922616 Vulnerability in HTML Help could allow remote code
   execution[2]Download 700 KB (August 7, 2006)Switches: KB922616.exe
   /passive /norestart /quiet*** NEW ***
 
Références
 
   1. http://support.microsoft.com/kb/922616/en-us
   2. http://www.microsoft.com/downloads/details.aspx?FamilyID=34ebe5d3-40c9-41dc-aaff-64608d3ac7b1&DisplayLang=en

à coups de sed, je vais pouvoir isoler les liens sans trop de problèmes...

Par ailleurs j'ai un code perl qui me permet de ne récupérer que le texte :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
$ cat parse.pl
#!/usr/bin/perl -w
 
use strict;
use HTML::Parser ();
 
sub text_handler { # Ordinary text
print @_;
}
 
my $p = HTML::Parser->new(api_version => 3);
$p->handler( text => \&text_handler, "dtext");
$p->parse_file(shift || "-") || die $!;

Code:

1
2
3
4
$ ./parse.pl minitest.html
KB922616
Vulnerability in HTML Help could allow remote code executionDownload
700 KB (August 7, 2006)Switches: KB922616.exe /passive /norestart /quiet*** NEW ***

Le seul truc c'est qu'en perl, je récupère toute une ligne pas très exploitable... En même temps si je savais coder en perl ça arriverait pas :oops:

ça sent l'usine à gaz mon histoire :aie:

15/11/2006, 19h42
ripat

Code:

grep -o '<a href="[^"]*' ton.fichier | sed s/'<a href="'//g

Code:

grep -o 'Switches: [^<]*' ton.fichier | sed s/'Switches: '//g

Optimisation possible.
28/11/2006, 11h48
ggnore

Citation:

Envoyé par ripat

Code:

grep -o '<a href="[^"]*' ton.fichier | sed s/'<a href="'//g

Code:

grep -o 'Switches: [^<]*' ton.fichier | sed s/'Switches: '//g

Optimisation possible.

Mille Mercis c'est trèès efficace !