Convertir du code HTML en texte brut

Bonjour,

Avec ce script, je récupère la source d'une page web :

Code:

---

1 2 3 4 5 6 7 8 9 10

$file=fopen($URL,"r" ); if(!$file) { echo "<p>Impossible d\"ouvrir le fichier</p>.\n"; exit; } while(!feof($file)) { $line .= fgets($file,1024); }

---

je lui applique différent traitement afin de n'avoir que le texte brut

Code:

---

1 2 3 4 5 6 7 8 9 10 11

// nettoyage du code // supprimer les retour a la ligne $line = str_replace("\n","",$line); // supprimer les retour chariot $line = str_replace("\r","",$line); // supprimer les tabulations $line = str_replace("\t","",$line); // supprimer les double espaces $line = str_replace(" ","",$line); // retirer les balise HTML $line = strip_tags($line);

---

après traitement je récupère du texte comme ceci :

Citation:

---

adresse : mairie, 3,&nbsp;rue de Verneuil, 27130&nbsp;Les&nbsp;Barils<br>rue : rue de Verneuil,<br>code postal : 27130<br>ville : Les<br><br>adresse : maisons des associations, avenue Lénine, 76700&nbsp;Gonfreville-l’Orcher<br>

---

Malgré cela j'ai des caractères bizarres dans le texte brut comme des "&nbsp;" pour des espaces écrit en html ou encore des "’" pour des apostrophes.

Comment éviter ce genre de chose ? car après j'utilise des regex et ca fait des bugs a cause de ce genre de chose.

Tu peux utiliser html_entity_decode() pour les entités HTML comme &nbsp;

je l'utilisais déjà mais après je les remettais, d'où le gros problème ! ;)

j'ai repris mon code et j'ai maintenant quelque chose de correcte

voici le code permettant de passer d'une page HTML en du texte brut :

Code:

---

1 2 3 4 5 6 7 8 9

// nettoyage du code $line = 'code HTML'; $line = strip_tags($line); $line = html_entity_decode($line); $line = preg_replace('~&#x([0-9a-f]+);~ei', 'chr(hexdec("\\1"))', $line); $line = preg_replace('~&#([0-9]+);~e', 'chr("\\1")', $line); $line = preg_replace('(\n|\r|\t)',' ',$line); $line = preg_replace('/\s\s+/', ' ', $line); return $line;

---

merci pour ton indication !

++

Arnaud