Problème récursif avec regex

Version imprimable

Bonjour,
j'ai un petit projet de gestion de favoris en lignes : http://www.tp74.net/
Et je veux que les utilisateur puisse importer leur favoris de leur navigateur web (forma html standard utiliser par IE opera Safarie firefox ect ...) en savoir plus ICI
Donc il faut analyser la page html et j'utilise regex pour extraire je ne sais comment ^^ l'arborescence des dossiers et des favoris.
Alors j'ai fait un esquisse de code pour une première approche
PS: je sais pas trop par quel bout mit prendre ....:(
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 function decoupagehtml($file) { $match = null; $str = null; preg_match_all("|<DL>(.*)</DL>|isU",$file,$match); foreach ($match[0] as $str) { if (substr_count($str,'<DL>') > 0) {decoupagehtml($str);} } } $url = "http://127.0.0.1/tp74.net/ajax_test/ajoutexterne/bookmarks.html"; $file = file_get_contents($url); $match = null; decoupagehtml($file);
Evidament ce code ne marche pas ... je suis confronté un problème terrible !!!:evilred:
le code génère une boucle infini puisque les '<DL>' ne se supprimer pas la grande question est Comment supprimer le premier et QUE le premier '<DL>'

merci d'avance pour vaux réponses cordialement vinc.

j'ai fait un test le premier problème n'est pas de syntaxe mais d'algorithme.
j'ait fait un test avec un page html simple voici l'image et j'ai mit en couleur ce que le script devrai être capable de faire.

http://www.tp74.net/images/apercu/test.png

cepandent le code géner ce qui est normal quelque chose comme sa
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 tableau : <pre><fieldset>Array ( [0] => <DL><p> <DT><H3 ADD_DATE="1231959008" LAST_MODIFIED="1231959103">dossier1</H3> <DL><p> <DT><H3 ADD_DATE="1231959083">sous dossier 1</H3> <DL><p> </DL> [1] => <DL><p> <DT><A HREF="http://www.fcdv.de/" ADD_DATE="1231959050" LAST_MODIFIED="1231959050" ICON_URI="http://www.fcdv.de/favicon.ico" ICON="" LAST_CHARSET="ISO-8859-1">Dachverein BSV Kickers Emden</A> <DD> </DL> [2] => <DL><p> </DL> [3] => <DL><p> <DT><A HREF="place:sort=8&maxResults=10">Les plus visitÃ©s</A> <DT><A HREF="http://fr.www.mozilla.com/fr/firefox/central/" ADD_DATE="1227553446" LAST_MODIFIED="1227553446" ICON_URI="http://fr.www.mozilla.com/favicon.ico" ICON="">DÃ©buter avec Firefox</A> <DT><A FEEDURL="http://fr.fxfeeds.mozilla.com/fr/firefox/headlines.xml" HREF="http://www.lemonde.fr/">Ã€ la une</A> </DL> ) <pre></fieldset>
j'avoue que je cal un peut je continu à chercher je vous fait par des mes avancements si y-an a . ;)

si vous avez des idées n'hésité pas

cordialement.
vinc

14/01/2009, 23h14
spy74

Voila je répond encore a mon propre sujet apret une long discutions sur le tchat avec LogistiX
Voici ou en est l'algorytme dsl j'ai plus trop le temps de rédiger je le ferait demain vert 7heur

on détecte comme précédent les <DL></DL>
est si y'a un <DT> sans <DL> avant on utilise le comportement récursif en tout logic sa devrait marcher reste plus qu'a developpez*
14/01/2009, 23h21
goodpz

A ta place, je passerais par un "vrai" parser html. DOM, simplexml, xmlreader... Ca me parait plus adapté
15/01/2009, 00h01
LogistiX

Citation:

Envoyé par goodpz

A ta place, je passerais par un "vrai" parser html. DOM, simplexml, xmlreader... Ca me parait plus adapté

Le document n'est pas XML-valide. Est-ce que les produits suscités vont s'y retrouver ? (je ne suis pas spécialiste en la matière, et du coup bien plus porté sur la solution récursive...)

Citation:

Envoyé par spy74

Code:

1
2
 
  preg_match_all("|<DL>(.*)</DL>|isU",$file,$match);

Une regex récursive sur match aurait une tête dans ce style

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
 
<pre>
<?php
 
$html = 'avant<dl><p>
salut<dl><p>
bonjour</dl>toujour</dl>après';
 
preg_match('#<dl>(?:[^<]|<(?!/?dl>)|(?R))+</dl>#i', $html, $dl);
 
echo htmlentities($dl[0]);
 
?>
</pre>

Mais sur des données conséquentes, une regex récursive se heurtera aux limites de stack et/ou de backtrack de PCRE. Et de toutes manières, il faudrait encore du code pour extraire les imbrications de <DL>...</DL>

Alors une récursion PHP sur preg_split devrait faire ton bonheur. Je ne suis pas tout à fait certaine de la structure finale désirée pour la hiérarchie.

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
 
<pre>
<?php
 
function dl_bookmarks(&$array, $start=true, $title=0)
{
  static $regex_dir = '@>([^<>]+)</H3>@i';
  static $regex_ref = '@HREF="([^"]+)"[^>]+>([^<>]+)</A>@i';
  static $i,$j = null;
 
  if ($start) {
    $i = 0;
    $j = count($array);
  }
  else ++$i;
 
  $titles = array();
  for (; $i<$j; ++$i) {
    $snippet = $array[$i];
    if ($snippet == '</DL>') break;
    else if ($snippet == '<DL>') {
      // Imbrication Récursive
      // forme [Titre Dossier] = array()
      $titles[$title] = dl_bookmarks($array, false, $title);
    }
    else {
      if (preg_match($regex_dir, $snippet, $match)) {
        // Récupérer Titre du Dossier
        // sous forme [Titre Dossier] = array() via récursivité
        $title = $match[1];
      }
      if (preg_match_all($regex_ref, $snippet, $match)) {
        // Récupérer Titre et HREF du Site sous forme [Titre Site] = HREF
        foreach ($match[0] as $idx => $data) {
          $titles[$match[2][$idx]] = $match[1][$idx];
        }
      }
    }
  }
  return $titles;
}
 
function netscape_bookmarks($html)
{
  $options = PREG_SPLIT_DELIM_CAPTURE | PREG_SPLIT_NO_EMPTY;
  $snippets = preg_split('@(</?DL>)@i', $html, -1, $options);
  $bookmarks = dl_bookmarks($snippets); // en récursion
  return $bookmarks[0];
}
 
$file = 'bookmarks.html';
$html = file_get_contents($file);
$bookmarks = netscape_bookmarks($html);
 
print_r($bookmarks);
 
?>
</pre>

15/01/2009, 18h34
spy74

Bonjour,
Merci infiniment Tisha Carpenter pour code ton qui fonctionne a merveille :king:.
On dirait que ta déjà été confronté a ce genre de problème d'importation de favoris ?