[Système] Analyser une page HTML de favoris

Version imprimable

Bonjour à tous!

Je cherche a créer un parser pour récupérer une liste de favoris exportée depuis un navigateur, mais j'ai un peu de mal avec les regexp :?

Voici le code de la page HTMl

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
 
<!DOCTYPE NETSCAPE-Bookmark-file-1>
<!-- This is an automatically generated file.
It will be read and overwritten.
Do Not Edit! -->
<TITLE>Bookmarks</TITLE>
<H1>Bookmarks</H1>
<DL><p>
    <DT><H3 FOLDED ADD_DATE="1202562528">Blogs</H3>
    <DL><p>
        <DT><A HREF="http://www.fredcavazza.net/" ADD_DATE="1202562610" LAST_VISIT="1202562610" LAST_MODIFIED="1202562610">FredCavazza.net</A>
        <DT><A HREF="http://fredericdevillamil.com/developpement/" ADD_DATE="1202562974" LAST_VISIT="1202562974" LAST_MODIFIED="1202562974">http--fredericdevillamil.com-developpement-</A>
        <DT><A HREF="http://www.insideria.com/" ADD_DATE="1202562698" LAST_VISIT="1202562698" LAST_MODIFIED="1202562698">InsideRIA</A>
    </DL><p>
    <DT><H3 FOLDED ADD_DATE="1202562984">Digg-like</H3>
    <DL><p>
        <DT><A HREF="http://www.digg.com/" ADD_DATE="1202563342" LAST_VISIT="1202563342" LAST_MODIFIED="1202563342">Digg - All News, Videos, & Images</A>
        <DT><A HREF="http://www.scoopeo.com/" ADD_DATE="1202563068" LAST_VISIT="1202563068" LAST_MODIFIED="1202563068">Scoopeo - La une</A>
    </DL><p>
    <DT><A HREF="http://www.google.fr/" ADD_DATE="1202562516" LAST_VISIT="1202562516" LAST_MODIFIED="1202562516">Google</A>
</DL><p>

et voici le début de mon parser :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
 
<?php
 
//Classe qui va permettre d'importer/exporter les favoris
class BookmarkManager {
 
	//Constructeur
	function BookmarkManager(){
 
	}
 
	//Pour importer les favoris
	function import($listURL){
		$filehandle=fopen($listURL,'r');
		$texte = "";
		while(!feof($filehandle)) {
			$texte.=fgets($filehandle, 500); // Max 500 chars
		}
		echo $texte;
		preg_match_all("|<DL>([><.]*)<DT>([><.]*)</DL>|i",$texte,$resultat);
		echo "<br>";
		print_r($resultat);
	}
 
 
}
 
$bm = new BookmarkManager();
$bm->import("../bookmarks_IE.htm");
?>

Quelle est l'expression regulieres que je dois utiliser dans le preg_match_all pour récupérer le contenu de toutes mes balises DL et DT ??

Merci de votre aide!

10/02/2008, 22h29
Antoun

Je ne connais pas le système... quelle est la signification de DL et DT ? C'est normal s'il n'y a pas de balise fermante ?

Pourquoi ne pas travailler sur les <A> et leurs attributs ? a priori, ça me semble plus simple.

Dernière question, pour toi, que veut dire [><.] ?
11/02/2008, 22h31
memel182

Salut,

en HTML, DL et DT permette de définir des listes de définition.

les balises ne sont pas fermées car le code généré par IE, FF... n'est pa valide :aie:

Quant à [><.] et d'après mes petites connaissances en RegExp ca défini une liste de caractères autorisés, à savoir les "<" et ">" et tous type de caractères alphanum (le ".").

Je continues mes recherches...

a+
11/02/2008, 23h14
Antoun

Citation:

Envoyé par memel182

Quant à [><.] et d'après mes petites connaissances en RegExp ca défini une liste de caractères autorisés, à savoir les "<" et ">" et tous type de caractères alphanum (le ".").

Le . est en fait un joker pour TOUS les caractères, alphanumériques ou non (retour à la ligne inclus avec le modificateur s utilisé ci-dessous). Autrement dit, [><.] signifie "un >, un < ou n'importe quoi d'autre"... et comme tu peux l'imaginer, ça n'est pas très spécifique.

En gros, voici comment récupérer le contenu des DT (je ne vois pas bien l'intérêt pour les DL ?) :

Code:

preg_match_all("|<DT>(.*?)(?=</?D[LT]>)|is", $texte, $resultat);

.*? : tout les caractères
(?= xxx) : suivi par xxx
(?=</?D[LT]>) : suivi par <DT>, </DT>, <DL> ou </DL>
is : insensible à la casse, et considérer tout le texte comme une seule ligne

Merci beaucoup, ce code m'avance beaucoup.

Reste un petit détail :
Je souhaite en fait pouvoir conserver la structure exacte des favoris (par catégories ou non-catégorisés) or voici le code renvoyé par ton expression :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
 
<br>Array
(
    [0] => Array
        (
            [0] => <DT><H3 FOLDED ADD_DATE="1202562528">Blogs</H3>
 
            [1] => <DT><A HREF="http://www.fredcavazza.net/" ADD_DATE="1202562610" LAST_VISIT="1202562610" LAST_MODIFIED="1202562610">FredCavazza.net</A>
 
            [2] => <DT><A HREF="http://fredericdevillamil.com/developpement/" ADD_DATE="1202562974" LAST_VISIT="1202562974" LAST_MODIFIED="1202562974">http--fredericdevillamil.com-developpement-</A>
 
            [3] => <DT><A HREF="http://www.insideria.com/" ADD_DATE="1202562698" LAST_VISIT="1202562698" LAST_MODIFIED="1202562698">InsideRIA</A>
 
            [4] => <DT><H3 FOLDED ADD_DATE="1202562984">Digg-like</H3>
 
 
            [5] => <DT><A HREF="http://www.digg.com/" ADD_DATE="1202563342" LAST_VISIT="1202563342" LAST_MODIFIED="1202563342">Digg - All News, Videos, & Images</A>
 
            [6] => <DT><A HREF="http://www.scoopeo.com/" ADD_DATE="1202563068" LAST_VISIT="1202563068" LAST_MODIFIED="1202563068">Scoopeo - La une</A>
 
            [7] => <DT><A HREF="http://www.google.fr/" ADD_DATE="1202562516" LAST_VISIT="1202562516" LAST_MODIFIED="1202562516">Google</A>
 
        )
 
    [1] => Array
        (
            [0] => <H3 FOLDED ADD_DATE="1202562528">Blogs</H3>
 
 
            [1] => <A HREF="http://www.fredcavazza.net/" ADD_DATE="1202562610" LAST_VISIT="1202562610" LAST_MODIFIED="1202562610">FredCavazza.net</A>
 
            [2] => <A HREF="http://fredericdevillamil.com/developpement/" ADD_DATE="1202562974" LAST_VISIT="1202562974" LAST_MODIFIED="1202562974">http--fredericdevillamil.com-developpement-</A>
 
            [3] => <A HREF="http://www.insideria.com/" ADD_DATE="1202562698" LAST_VISIT="1202562698" LAST_MODIFIED="1202562698">InsideRIA</A>
 
            [4] => <H3 FOLDED ADD_DATE="1202562984">Digg-like</H3>
 
            [5] => <A HREF="http://www.digg.com/" ADD_DATE="1202563342" LAST_VISIT="1202563342" LAST_MODIFIED="1202563342">Digg - All News, Videos, & Images</A>
 
 
            [6] => <A HREF="http://www.scoopeo.com/" ADD_DATE="1202563068" LAST_VISIT="1202563068" LAST_MODIFIED="1202563068">Scoopeo - La une</A>
 
            [7] => <A HREF="http://www.google.fr/" ADD_DATE="1202562516" LAST_VISIT="1202562516" LAST_MODIFIED="1202562516">Google</A>
 
        )
 
)

C'est très bien sauf que par exemple, mon dernier lien vers Google ne fait initialement partie d'aucune catégorie (cf. premier post). Or ici je ne peux pas le savoir, il est retourné en DT ou en A comme les autres. D'où l'intéret, je pense, de suivre la structure des DL : les premiers sont à ommettre puisqu'ils initialisent toute la liste, par contre les autres indiquent les debut/fin des listes de chaque catégorie...

Je vais tenter de modifier un peu ta RegExp mais je ne suis pas sûr d'arriver au bon résultat...

12/02/2008, 18h24
Antoun

dans ce cas, il te faut une première regex, qui récupère intégralement le contenu de la <dl></dl> et identifie la catégorie. Tu passes ensuite ce que tu as récupéré à ma regex.

:resolu:

Ouf ca y est!

J'ai réussi à récupérer tous les titres de catégories, et pour chacune, le HREF des liens et leur intitulé!! :yaisse2:

J'ai par contre ignoré tous les liens qui ne sont pas catégorisés, car de toute facon je ne pourrai pas les utiliser par la suite...

Alors voici ma solution :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
 
<?php
 
//Classe qui va permettre d'importer/exporter les favoris
class BookmarkManager {
 
	//Constructeur
	function BookmarkManager(){
	}
 
	//Pour importer les favoris
	function import($listURL){
		$filehandle=fopen($listURL,'r');
		$texte = "";
		//on recup le texte de la page html
		while(!feof($filehandle)) {
			$texte.=fgets($filehandle, 500); // Max 500 chars
		}
 
		//on recup ttes les catégories ($categories)
		preg_match_all("|<DT><H3(.*?)(?=</DL><p>)|is", $texte, $categories);
 
		//pour chaque catégorie
		for($i=0; $i<count($categories[1]); $i++){
 
			//on extrait le titre
			preg_match("|>(.*?)(?=</H3>)|is", $categories[1][$i], $titre);
			echo "<b>CATEGORIE</b> : ".$titre[1]."<br>";
 
			//on extrait les liens
			preg_match_all("|<A(.*?)(?=</A>)|is", $categories[1][$i], $liens);
 
			//pour chaque lien...
			for($j=0; $j<count($liens[0]); $j++){
				echo "$j)<br>";
				//on recup la cible (href)
				preg_match("|\"(.*?)\"|is", $liens[0][$j], $href);
				echo "<b>href</b> : ".$href[1]."<br>";
 
				//on recup le titre
				$intitule = explode(">",$liens[0][$j]);
				echo "<b>intitule</b> : ".$intitule[1]."<br>";
			}
			echo "<br><br>";
		}
	}
}
$bm = new BookmarkManager();
$bm->import("../bookmarks_IE.htm");
 
?>

C'est peut etre un peu barbare par endroits mais ca me suffira ;)

Merci beaucoup de ton aide, je n'aurai jamais réussi à résoudre ces RegExp...:king:

A bientot!