Regex de netoyage de copier/coller depuis Office

Bonjour,

Voila sur le cms que j'ai crée il y a un fckeditor (un wysiwyg), dans lequel on peut copier / coller ses documents word .

Problème : le code html est dégueulasse , il y a des balise non html ("<o:p>" ou "<st1:state w:st="on">")...

Je voudrais donc nettoyer tout ça avec des regexp, je pense pas avoir beaucoup de choix.

Donc est ce que vous connaissez une manière d'effectuer ceci :

texte de base

Code:

---

<font size="3" face="Times New Roman">du texte blabla<font color="red"> encore du texte mais rouge </font> la fin du texte</font>

---

et d'en tirer

Code:

---

du texte blabla<font color="red"> encore du texte mais rouge </font> la fin du texte

---

Je souhaite donc garder les balises <font> (et leur balise fermente correspondante) ou l'on spécifie la couleur du texte mais pas les autres.

Merci

Bonjour,

Vu que ta chaine est un fragment XML, tu peux utiliser un objet de type XmlDocument et ne récupérer que les éléments qui te plaisent, par exemple :

Code:

---

1 2 3 4

string xml = "<font size=\"3\" face=\"Times New Roman\">du texte blabla<font color=\"red\"> encore du texte mais rouge </font> la fin du texte</font>"; XmlDocument doc = new XmlDocument(); doc.LoadXml(xml); string xml2 = doc.FirstChild.InnerXml;

---

Le problème c'est que je veux juste supprimer les balises et pas leur contenu.

Le code que j'ai écris permet de faire ça.

Regarde le contenu de xml2 et tu verra qu'il est égal à :

Code:

---

du texte blabla<font color="red"> encore du texte mais rouge </font> la fin du texte

---

Cmment je pourrais faire alors dans ce genre de cas :

Code:

---

yyyyy<font size="3" face="Times New Roman">du texte blabla<font color="red"> encore du texte mais rouge </font> la fin du texte</font>zzzz

---

pour loader une chaine dans du xml il faut que ce soit du xml strict, or ce n'est pas el case du html que j'ai.

Tu veux dire que certaines balises ne sont pas forcément bien fermées ?

Dans ton exemple si dessus, cela passe encore. Au pire, il suffit de rajouter un élément <doc></doc> ou autre sur ta chaine. C'est pas vraiment un problème.

Après oui, c'est sûr, si tes chaines possèdent des éléments qui ne sont pas fermés, ma technique ne fonctionne pas. Mais est-ce vraiment le cas ?

Citation:

---

Envoyé par Paul Musso

Tu veux dire que certaines balises ne sont pas forcément bien fermées ?
Dans ton exemple si dessus, cela passe encore. Au pire, il suffit de rajouter un élément <doc></doc> ou autre sur ta chaine. C'est pas vraiment un problème.
Après oui, c'est sûr, si tes chaines possèdent des éléments qui ne sont pas fermés, ma technique ne fonctionne pas. Mais est-ce vraiment le cas ?

---

La chaine que donne Bourgi n'est qu'un exemple, et il ne dit pas qu'il manque des balises. Il me semble que son problème est un peu plus complexe qu'une simple balise à supprimer :

Citation:

---

Envoyé par Bourgui

Problème : le code html est dégueulasse , il y a des balise non html ("<o:p>" ou "<st1:state w:st="on">")...
Je voudrais donc nettoyer tout ça avec des regexp, je pense pas avoir beaucoup de choix.
Je souhaite donc garder les balises <font> (et leur balise fermente correspondante) ou l'on spécifie la couleur du texte mais pas les autres.

---

Pour pouvoir répondre à ton besoin, Bourgi, efforce-toi d'exposer ta problématique avec le minimum de règles et qu'elles restent simples.

Tu me corrigeras si tu je me trompe, mais d'après ce que j'ai compris, ton besoin peut se résumer comme ça :
- supprimer toutes les balises = tout texte compris entre < et >
- sauf les balises font contenant le mot color (dans ce cas, ça va être compliqué de récupérer la balise fermante </font> grâce à une RegEx.

Si j'ai correctement formulé ton besoin, je pense que le mieux serait une lecture séquentielle.

J'ai déjà fait un truc comme cela.
J'avais éffectué un split avec ceci

Code:

---

Regex regexBalise = new System.Text.RegularExpressions.Regex("([<].*?[>])", RegexOptions.Singleline);

---

Créer une petite classe balise


Pour chaque element du splitage
Si balise
Je cree un objet mabalise de type balise
Je regarde si balise autorisé si non je la supprime du splitage
Si mabalise.ouvrante, je netoie et je place dans une pile
Si mabalise.fermante,
si mabalise.fermante correspond au dernier élément de ma pile
je desempile ma pile
sinon
à toi de voir
Si texte
Rien

Apres je fais un join

Bonjour,

désolé pour le temp de retour du mess, mais en ce moment c'est plutot la gueurre ^^

L'algo de snopims a l'air pas mal, meme si le "a toi de voir" est bizarre ...
ex :
<a bon><a pasbon>XXX</a></a>

Il faut créer un sorte d'index par type de balise et faire 2 pile , une des supprimé et une des acceptée, quand on arrive a une balise fermante :
si il y a une et une seule balise ouvrante correspondante en haut des deux pile
si dans pile des supprimé : supprime
si dans la pile des acceptée : ajoute
sinon
si dans pile des supprimé a index plus important : supprime
si dans la pile des acceptée a index plus important : ajoute
fin



Meme si il ne marche que quand le code html est plus ou moins bien fait, c'est à dire que on a pas des
<a><b></a></b>

dans ces cas la, je pense qu'on supprime tout.