[Regexp] splitter attribut tag xml

Bonjour,

Je viens vous demander conseil sur l'un de mes problèmes actuels : je voudrais splitter un tag xml pour faire ressortir ses attributs.

Voici l'exemple sur lequel je butte :

Code:

---

1 2	TOTO id="019053695" type="B" la=" " status="1" c="HG" date="20071120"

---

Jusqu'à maintenant je splitter simplement par rapport au caractère 'space', ce qui me permettait effectivement de retrouver un tableau d'attribut (sans compter le premier indice du tableau qui est le nom du tag (TOTO))
Seulement dans le cas ici présent, lorsqu'un des attributs à pour valeur space (ce qui est possible dans mon document en entrée), ce split ne fonctionne plus et je me retrouve avec un élément dans mon tableau qui a pour valeur 'la="' au lieu de 'la="valeur"'.

J'aimerai donc savoir s'il est possible de mettre en place une regexp permettant de découper correctement ma chaine de caractère ?

J'ai tenté ceci :

Code:

---

1 2 3 4 5

// --- Create a pattern to match breaks Pattern p = Pattern.compile("^([a-zA-Z_0-9]{1,}[=]\022.*\022)"); // Split input with the pattern String[] result = p.split(myTagRepresentation);

---

mais sans résultat probant :s
Je en sais pas trop comment m'y prendre, j'aurais voulu découper selon ce qui ne valide pas le modèle suivant : nomAttribut="valeur" puisque ça ne fonctionne pas avec les espaces.

Merci pour votre aide.

Autre solution envisageable, celle de reprendre la valeur matchée si cette dernière est trouvée dans la chaine de caractère en entrée :

Code:

---

1 2 3 4 5 6 7

// --- Create a pattern to match breaks Pattern p = Pattern.compile("[a-zA-Z_0-9]{1,}[=\022].*[\022]"); Matcher m = p.matcher(myTagRepresentation); while ( m.find() ){ m.??? // --- Comment faire pour récupérer le bout de chaine qui matche l'expression ? }

---

Mais je ne trouve aucune méthode de la classe Matcher qui puisse retourner la valeur trouvée, quelqun a une idée ?

Salut,


Dans les regexp le ^ désigne le début de la ligne... comme ton expression est incorrect. De plus le \022 représente un caractère invalide chez moi...


A mon avis tu prends le problème à l'envers : plutôt que de "découper" la chaine selon un pattern, tu devrais rechercher les tags de cette chaine :

Code:

---

1 2 3 4 5 6 7 8 9 10

String s = "TOTO id=\"019053695\" type=\"B\" la=\" \" status=\"1\" c=\"HG\" date=\"20071120\"";   Pattern pattern = Pattern.compile("([a-zA-Z_0-9]+)=\"(.*?)\""); Matcher matcher = pattern.matcher(s); while(matcher.find()) { String name = matcher.group(1); String value = matcher.group(2);   System.out.printf("%s=[%s]%n", name, value); }

---

:arrow: Explication du pattern : ([a-zA-Z_0-9]+)=\"(.*?)\"

• ([a-zA-Z_0-9]+) représente le nom du tag. Les parenthèse permettront de le récupérer facilement par la suite (cela défini un groupe).
• = représente simplement le caractère (pas besoin de le protéger).
• Enfin \"(.*?)\" signifie : une quote, un nombre quelquonque de caractère suivi d'un autre quote. Le ? qui suit le .* indique qu'il faut recherche la chaine correspondante la plus petite (sinon il englobe tous les tags entre le premier et le dernier)

Si tu veux gérer les simples quotes (') il faut soit complexifier le pattern, soit effectuer deux passages...


a++

PS : Si c'est pour lire du XML, pourquoi ne pas utiliser une des nombreuses librairies faite pour cela ?

Grand merci à toi AdiGuba !

En effet c'est bien la notion de groupe qu'il me manquait pour récupérer ce que je voulais.
Ton code fonctionne très bien (mise à part le printf que je n'ai pas et que j'ai remplacé par println).

Pour ce qui est du \022 il s'agit de la valeur héxadécimal du caractère ", ça ne passait pas chez moi de mettre \" mais j'ai du mal m'y prendre puisque ça passe désormais.

Sinon pour ce qui est d'utiliser un parser java, j'y ai bien pensé seulement le hic c'est que mes fichiers en entrée ne sont pas forcément que du xml, mais aussi du sgml ou d'autres formats plus spécifiques. Du coup si j'utilise un parseur pour du sgml, le parseur risque fortement de planté si le fichier en entré est destructuré (sgml = xml destructuré (pas toujours))
C'est pour ça que je développe mon propre parseur :(

Si toute fois il y a d'autres solutions auxquelles je n'ai pas pensé je suis preneur :)

Dans tous les cas merci à toi.

\022 est un caractère octal et non hexadécimal. La valeur indiquée correspond au caractère hexadécimal \x12. Il n'est donc effectivement pas super valide.

Pour les apostrophes,

Code:

---

Pattern pattern = Pattern.compile("(\\w+)=(['\"])(.*?)\\2");

---

Note :

• le \\2 indique qu'il faut rechercher la deuxième parenthèse capturante (donc apostrophe ou guillemets droits ici). Les groupes qui te seront intéressants seront donc les 1 et 3 (et non plus 1 et 2).
• Le groupe \w (échappé \\w) est strictement identique à [a-zA-Z_0-9]. C'est plus court et plus lisible, non ?

Ha oui effectivement j'ai lu un peu vite une page web et j'ai confondue valeur octale / héxa.

Merci pour le \\w qui donne une expression plus lisible c'est vrai.

Citation:

---

Envoyé par dingoth

• le \\2 indique qu'il faut rechercher la deuxième parenthèse capturante (donc apostrophe ou guillemets droits ici). Les groupes qui te seront intéressants seront donc les 1 et 3 (et non plus 1 et 2).

---

Wouah excellent ça :ccool:

Je ne connaissait pas et cela peut être vachement utile :mrgreen:

:merci:

Ouaip, et encore, si les regex de Java avaient le quart du tiers de la puissance de celles de PERL... ^^

J'ai fini par faire un mixte de vos deux regexp :

Code:

---

1 2	"(\\w+)=['\"](.*?)['\"]"

---

Car je ne sais pas pourquoi mais l'utilisation du \\2 dans :

Citation:

---

Pattern pattern = Pattern.compile("(\\w+)=(['\"])(.*?)\\2");

---

semble mal fonctionner (mes expression sont mal splittée, ce qui provoque ensuite une exception sur la gestion des valeurs des attributs.

Merci à vous deux en tout cas :king:

Bah justement... là, tu risques d'avoir pas mal de soucis :-/

Par exemple si tu as une apostrophe dans un attribut xxx="yyy'zzz", ta regex ne fonctionnera pas car prendra trop peu de caractères : yyy au lieu de yyy'zzz.

Donc, soit tu utilises la regex

Code:

---

"(\\w+)=(['\"])(.*?)\\2"

---

(la meilleure) soit la regex

Code:

---

"(\\w+)=\"(.*?)\""

---

(moins bonne car ne prend en compte que les guillemets droits), mais certaiment pas un mix des deux.

Edit : Avec ton texte d'exemple et ma regex, ça fonctionne parfaitement :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

import java.util.regex.Matcher; import java.util.regex.Pattern; public class Regex { public static void main (String[] args) { String text = "TOTO id=\'019053695\' type=\"B\" la=\" \" status=\"1\" c=\"HG\" date=\"20071120\""; String regex = "(\\w+)=(['\"])(.*?)\\2"; Pattern pattern = Pattern.compile(regex); Matcher matcher = pattern.matcher(text); while(matcher.find()) { String name = matcher.group(1); String value = matcher.group(3); System.out.printf("%s=[%s]%n", name, value); } } }

---

Résultat :

Code:

---

1 2 3 4 5 6

id=[019053695] type=[B] la=[ ] status=[1] c=[HG] date=[20071120]

---

Mum... tu n'as pas faux c'est vrai.
C'est peut-être moins permissif mais bien plus sûr, je vais donc garder l'option numéro 1 ^^

Thanks