Version imprimable
Bonjour à tous,
Voila, j'ai un fichier html simple, avec des balises html. J'aimerais pouvoir extraire par exemple toutes les balises <h1> et leur contenu pour les afficher, et ainsi créer un autre fichier ne contenant cette fois-ci que le texte contenu dans les balises <h1>.
Je ne sais pas comment m'y prendre, je ne sais pas comment lier mon fichier html d'origine à ma feuille xsl...
J'espère avoir été assez claire!
Merci pour votre aide
Le problème avec HTML est qu'il s'agit presque toujours de ce que les anglo-saxons appellent de la soupe de balises et que cela ne constitue pas un document XML bien formé. Je suis toujours effaré de constater que des sites "prestigieux" osent mettre une DTD XHTML en tête de leurs pages alors qu'il ne s'agit en rien de XML bien formé et encore moins de XHTML !
Il existe HTML Tidy qui est un bon programme pour migrer une page HTML en page XHTML. Mais il est surdimensionné pour simplement, ensuite, extraire des données de la page initiale. Il faut le lancer avec les bonnes options. Il en existe plusieurs portages en différents langages compilés.
Pour mes propres besoins, je viens justement de réaliser un petit projet consistant à coder un automate à une passe pour transformer un document HTML en XML bien formé, un point c'est tout. En PHP comme en C#, cela fait un peu moins de 500 lignes de code (sans compter les quelques tableaux utilisés, notamment pour traduire les entités telles que é en leur équivalent numérique...). Je viens juste de demander l'enregistrement d'un nouveau projet sur sourceforge.net (light-html2xml devrait être son nom de code) pour partager tout ça librement.
je crois qque tout est dit ton problème est avant tout la source duc document
Voici le lien vers le projet qui vient juste d'être ouvert : http://sourceforge.net/projects/light-html2xml
Je pense pouvoir faire le premier upload dans la journée.
J'ai fait des tests avec différentes pages pourries et ça marche déjà bien et vite sur mon poste en C# et en PHP...