Problème de regexp - Comment supprimer les balises HTML

Version imprimable

26/10/2008, 00h04
azerty25

Problème de regexp - Comment supprimer les balises HTML

Bonjour

Celà fais quelques heures que j'esssaye de supprimer les balises HTML d'un texte mais je n'y parviens pas.
Imaginons, j'ai <html>hello1<body attribut="valeur">hello2</body></html>, le programme doit sortir "hello1" et "hello2".

J'ai l'expression rationelle qui va bien :
(?<=^|>)[^><]+?(?=<|$)

Mais tout ce que je suis arrivé à récupèrer en VB c'est justement les balises sans les hello, ou de remplacer les hello par une autre chaine ou une chaine modifiée comme "texte$1texte" ou $1 correspond à hello1, hello2 ...

Sauriez vous comme faire ? Car je sèche maitenant ^^

Voici comment faire. C'est du C#, mais le principe est là ;)

Code:

1
2
3
4
5
6
7
8
string input = "<html>hello1<body attribut=\"valeur\">hello2</body></html>";
string pattern = "(?<=^|>)[^><]+?(?=<|$)";
MatchCollection matches = Regex.Matches(input, pattern);
List<string> results = new  List<string>(matches.Count);
foreach (Match match in matches)
{
    results.Add(match.Value);
}

26/10/2008, 12h05
azerty25

Wouah, merci beaucoup, en effet, ça fonctionne du tonère ! :D
Je vais regarder comment fonctionne matches et la différence avec les autres fonctions (comme replace, split...) car je n'ai pas tout pigé sur le fonctionnement des regexp ...
26/10/2008, 23h33
Sacha999

Tu pourrais expliquer la variable pattern, ce que ca veut dire dedans
27/10/2008, 12h22
StormimOn

Pour un début : http://lgmorand.developpez.com/dotnet/regex/