Parser HTML : récupérer le contenu de balises spécifiques

Bonjour à toutes et à tous !
Je souhaite récupérer le contenu d'un fichier html; pour cela, j'ai pensé utiliser html parser (http://htmlparser.sourceforge.net/). Mais les exemples fournis et la javadoc sont bien obscurs pour moi, pauvre débutant.
Ce que je souhaite faire c'est :
--> extraire tous les éléments en gras (entre balises <b> et </b>)
--> extraire le titre du document (balises <title>)

Mes questions sont les suivantes :
- est-ce faisable ?
-une piste ? (claire ;0) )

Merci d'avance !

Gérald

oui s'est bien fesable a l'aide des expressions regulier, il y a tout un cours a suivre la deçus, si tu veux bien les metriser il faut suivre un cours de compilation.

Essaie avec NekoHTML. Je te conseille de faire une recherche là dessus sur developpez.net, cela pourra t'aider à te faire une opinion.

Si tu veux juste simplement extraire tout ce qu'il y a contenu entre deux balises, pas la peine de recourir a un parseur, les expressions régulières suffisent amplement : lien javadoc

Par exemple pour extraire le titre:

Code:

---

1 2 3 4 5 6 7

String getTitle(String html){ Pattern p = Pattern.compile("<title>(.*)</title>"); Matcher m = p.matcher(html); if (m.matches()) return m.group(1); else return null; }

---

Bonjour,

J'ai essayé ton code mais ça n'a pas marché : il me retourne toujours rien.
Voici mon code, en fait je voudrai récupérer un message qui est délimité par une balise "span".

Code:

---

1 2 3 4 5

Pattern p = Pattern.compile("<span class=\"uFDiv3\">(.*)</span>"); Matcher m = p.matcher("http://some-url"); if (m.matches()) System.out.println("le contenu est : " + m.group(1));//.group(1)); else System.out.println("le contenu est vide");

---

Le message affiché sous la console est toujours "le contenu est vide", par contre je vérifie l'url et je trouve de contenu. Je ne sais pas pourquoi il me fait ça.

Merci.

Code:

---

1 2 3 4

Pattern p = Pattern.compile("<title>(.*)</title>"); Matcher m = p.matcher(html); if (m.matches()) return m.group(1); else return null;

---

Dans le code que tu poste tu cherche le texte entre les balise dans la chaine de caractères "http://some-url" qui bien évidement ne contient pas ces balises.

Si j'ai bien compris tu voudrais chercher dans la page à l'adresse "http://some-url"? Dans ce cas la il te faut la charge auparavant via openConnection() de la classe URL.

Slt,

oui c'est ça ce que je veux obtenir : analyser le contenu de la pge située à l'url définie comme paramètre.
Mais, j'ai pas compris ta solution. STP, est ce que tu peux me dire comment ou me donner un lien pour que je puisse comprendre mieux.

Merci d'avance.

Merci pour votre coopération,

J'ai trouvé la solution qui me permet d'obtenir le code html de la page cible ce ci:

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

import java.net.*; import java.io.*;   public class URLConnectionReader { public static void main(String[] args) throws Exception { URL yahoo = new URL("http://www.yahoo.com/"); URLConnection yc = yahoo.openConnection(); BufferedReader in = new BufferedReader( new InputStreamReader( yc.getInputStream())); String inputLine;   while ((inputLine = in.readLine()) != null) System.out.println(inputLine); in.close(); } }

---

Merci encore.

Bonjour à tous et à toutes,

c'est pas tout a fait la solution :oops:. En fait, j'ai rencontré un problème avec ces expressions régulières :
Comment je peux m'arrêter au 1ere occurrence du 2ème partie de motif à analyser.
Ex:

Code:

---

Pattern p = Pattern.compile("<td id='live_6_tableau_col1' valign=top>(.*)</td>");

---

Il m'affiche comme résultat dès "<td id=..." jusqu'à la dernière occurrence de "</td>" dans le document html. Alors moi, je veux s'arrêter au 1ere occurrence de "</td>".

Merci.

Utilises .*? au lieu de .*

Merci beaucoup, c'est bien marché.
Par contre, j'ai un autre question.
Je suis en train d'imaginer un scénario qui est fortement probable à me rencontrer :
si par exemple j'ai le code suivant :

<a> tt <a> string </a> </a>

je voudrai récupérer la chaîne "string", voici mon code

Code:

---

1 2 3 4 5

Pattern p = Pattern.compile("<a>(.*)</a>"); Matcher m = p.matcher("<a> tt <a> string </a> </a>"); if (m.find()) System.out.println("le contenu est : " + m.group(1)); else System.out.println("le contenu est vide");

---

il m'affiche "tt <a> string </a", alors que moi j'ai besoin de "string".

As tu une idée?

Merci encore.