[DOM] extraire des données d'une page xhtml

Version imprimable

23/05/2007, 21h17
Louis-Guillaume Morand

[DOM] extraire des données d'une page xhtml
Bonjour,

Il existe plein de tutos sur le net pour lire un fichier XML mais ca ne fait jamais ce que je veux, du moins d'une façon absolument pas optimisée et souvent en connaissant la structure du fichier XML.
Ici, j'ai une page XHTML avec une balise speciale disons "toto" qui contient plein d'elements enfants. Mais mon fichier XHTML contient surtout bcp bcp d'informations dont je me contrefiche et dont je ne connais pas la structure.

J'aimerai extraire les données d'une facon plus ou moins equivalente à ce que je ferais avec du JS à savoir
Code:

1 2 3 4 5 node = document.getElementsByTagName('toto')[0]; foreach (node.childNodes) { blabla }
la partie toto ressemble à ca
Code:

1 2 3 4 <toto> <tata name="narf" type="pwet" /> <tata name="nurf" type="pwout" /> </toto>
c'est donc une serie d'attributs qui m'interessent. Quelle serait la methode la plus simple et optimisée en meme temps pour faire ce que je veux. je ne demande pas un code tout fait mais une piste.

merci d'avance.

Tu as la même chose pour PHP :
Code:

1 2 3 4 5 6 7 8 9 <?php $dom = DomDocument::load('lgm.xml'); // Voir loadHTML(File) $node = $dom->getElementsByTagName('toto')->item(0); foreach ($node->childNodes as $n) { if ($n->nodeType == XML_ELEMENT_NODE) { printf('%s : %s<br/>', $n->getAttribute('type'), $n->getAttribute('name')); } } ?>
Mais ne serait-ce pas plus simple avec SimpleXML ? :roll: Voir avec Expat si les performances sont recherchées et le fichier volumineux (parser de type SAX).

23/05/2007, 22h49
Louis-Guillaume Morand

"le peu que tu as donné" manque de bol pour toi, j'ai eu le temps de le voir :aie:

Désolé, je pensais que ca suffisait et surtout tu as répondu à ma question à savoir getElementsByTagName() existe en php

ca parait bête mais j'ai jamais eu à coder du DOM coté php donc je n'avais pas connaissance de cette fonction.

par contre je connais sax, je supporte pas son fonctionnement et mon fichier contiendra bcp de data inutiles mais fera rarement plus de 3ko.

Quant à SimpleXML. c'est quoi? ^^
je connais pas mais à première lecture, ce n'est pas plus simple mais pas plus compliqué et p-e plus optimisé. je vais creuser ca. merci julp
23/05/2007, 23h09
julp
SimpleXML pour lire/parcourir un document XML ça devient du gâteau (c'est du DOM en coulisse). SimpleXML et Expat ne seront pas vraiment adaptés pour lire des documents HTML alors que l'extension DOM fournit, lui, des méthodes spécifiques (j'avais oublié cette partie de l'ennoncé lors de mon edit). Pour des fichiers de 3 Ko, tu peux utiliser sans problème DOM ou SimpleXML :P

En bonus l'équivalent avec SimpleXML pour te montrer:
Code:

1 2 3 4 $sxml = simplexml_load_file('lgm.xml'); foreach ($sxml->toto[0]->tata as $tata) { printf('%s : %s<br/>', utf8_decode($tata['type']), utf8_decode($tata['name'])); }
(Ne serais-tu pas en mode furtif ?)
05/06/2007, 21h38
Louis-Guillaume Morand

bon en fait j'ai encore un petit soucis :D

comment puis-je récupérer l'innerHTML via cette méthode?

Code:

$body = $dom->getElementsByTagName('body')->item(0);

sachant que body =

Citation:

<body>
<table>
<tr>
<td><input type="checkbox" name="coffee" value="cream"></td>
<td>ma tache</td>
<td><img src="_images/edit.gif" /></td>
<td><img src="_images/deleteLink.gif" /></td>
</tr>
<tr>
<td><input type="checkbox" name="coffee" value="cream"></td>
<td>ma tache</td>
<td><img src="_images/edit.gif" /></td>
<td><img src="_images/deleteLink.gif" /></td>
</tr>
</table>
</body>

j'aurais donc besoin de recuperer tous les noeuds enfants de body en tant qu'une chaine de caractere. (et ce, le plus simplement possible, pas envie de tout parser, noeud par noeud)

est-ce possible?

Je ne vois que la méthode saveXML de la classe DomDocument :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
$html = <<< HTML
<body>
<table>
<tr>
<td><input type="checkbox" name="coffee" value="cream"></td>
<td>ma tache</td>
<td><img src="_images/edit.gif" /></td>
<td><img src="_images/deleteLink.gif" /></td>
</tr>
<tr>
<td><input type="checkbox" name="coffee" value="cream"></td>
<td>ma tache</td>
<td><img src="_images/edit.gif" /></td>
<td><img src="_images/deleteLink.gif" /></td>
</tr>
</table>
</body>
HTML;
 
$dom = DomDocument::loadHTML($html);
$body = $dom->getElementsByTagName('body')->item(0);
echo $dom->saveXML($body);

06/06/2007, 00h36
Louis-Guillaume Morand

:love:
ca fait tout pareil mais en plus propre que mon

Code:

$body = substr($theData, strpos($theData, "<body>"), strpos($theData, "</body>") - strpos($theData, "<body>"));

on se moque pas! :p