bonjours,
voila, j'ai un fichier html qui contient dans son code source des caractère unicode sous forme " ’ ; " dans ce cas c'est l'apostrophe.
lorsque je parse mon fichier html avec :
open($fh, "<:utf8",$html_file) || die "...: $!";
$te->parse_file($fh);
il me renvoie des carre.....
Pourquoi lis tu ton fichier en mode utf8 ? Apparemment il n'y a pas d'utf8 dedans, puisqu'on utilise les entités numériques. D'autant que ’ est un caractère de Latin-1 plutôt que d'utf8, c'est-à-dire un jeu de caractère sur 8 bits, à l'ancienne.
En plus le
semble impliquer que tu fais un affichage quelconque par la suite. Es-tu certain que le problème n'est pas plutôt avec l'affichage ? Par exemple la console Windows n'est pas capable d'afficher l'unicode par défaut (et ne partage même pas la même codepage que le reste de windows (sic) ).Citation:
il me renvoie des carre.....
--
Jedaï
c'est pas le probleme d'affichage chez windows.
puisque il suffit que j'applique une expression réguliere pour remplacer les cotes non afficher par les apostrophes. mais ce n'est pas une sollution radicale. puisque le probleme est que le parser ne reconnait pas tout ce qui est &#xxx ;.
voilà ce que j'ai trouver sur le moteur Perl : span, sur le module Html:parser!
Unicode
The HTML::Parser can parse Unicode strings when running under perl-5.8 or better. If Unicode is passed to $p->parse() then chunks of Unicode will be reported to the handlers. The offset and length argspecs will also report their position in terms of characters.
It is safe to parse raw undecoded UTF-8 if you either avoid decoding entities and make sure to not use argspecs that do, or enable the utf8_mode for the parser. Parsing of undecoded UTF-8 might be useful when parsing from a file where you need the reported offsets and lengths to match the byte offsets in the file.
If a filename is passed to $p->parse_file() then the file will be read in binary mode. This will be fine if the file contains only ASCII or Latin-1 characters. If the file contains UTF-8 encoded text then care must be taken when decoding entities as described in the previous paragraph, but better is to open the file with the UTF-8 layer so that it is decoded properly:
open(my $fh, "<:utf8", "index.html") || die "...: $!";
$p->parse_file($fh);
If the file contains text encoded in a charset besides ASCII, Latin-1 or UTF-8 then decoding will always be needed.
Relis ce que j'ai écris... Il n'y a pas d'Unicode dans ton fichier (en tout cas le fait que tu ais des entités numériques de latin1 semble l'indiquer), donc en indiquant à perl de lire le fichier en UTF8 il est normal que HTML::Parser disfonctionne, puisque tu lui dit que tu lui donne de l'utf8 alors que tu lui donnes du ASCII pur, avec des entités latin1 donc incompatibles avec utf8.
--
Jedaï
même on ouvrant le fichier sans designer l'encodage; le problème est toujour là.
Quel problème ? Les entités ne sont pas décodées ?
On parle bien de 'dtext' ici par exemple et pas de 'text' ? Peut-être pourrais-tu nous montrer le code qui pose problème plutôt que de nous laisser deviner ce que tu fais de façon erronée... Et dis nous quelle version de Perl et de HTML::Parser tu utilises, également.
Enfin finalement y a-t-il des entités numériques au-dessus de 255 dans cette page ? Y a-t-il un encodage indiqué dans l'entête ?
--
Jedaï