Ajouter des balises html à un fichier

Version imprimable

11/07/2009, 22h19
fuyo2004

Ajouter des balises html à un fichier

Salut à tous.

Bon alors je me suis peut-être complètement planté de forum, c'est vous qui allez me le dire, auquel cas n'hésitez pas à me rediriger, mais j'ai un petit programme à écrire et matlab est le seul langage de "programmation" que je maîtrise à peu près, alors...

J'ai besoin de votre avis sur la faisabilité d'une tâche sous matlab.

Je souhaite, à partir de fichiers textes, ajouter des balises html très simples dans le texte. Par exemple, entourer chaque paragraphe de <p></p>, entourer chaque titre de <h2></h2>, et pourquoi pas une balise <img /> à la place des images, on peut rêver, non ? :ccool:

Je sais qu'il existe une fonction "exporter en html" sous open office par exemple, mais moi je ne veux pas ça, c'est trop compliqué, y'a des span et des class partout, du css mélangé au html, moi je veux juste rajouter les quelques balises citées ci-dessus.

Donc je voulais savoir si je pouvais faire ça sous matlab a priori, à l'aide de fonctions textread et comparaison de chaînes de caractères par exemple, pour identifier les structures, mais modifier un fichier texte est-ce possible ?

"Complètement à l'ouest le type", je vous vois déjà venir. :mouarf:
Pas faux. Alors si c'est vraiment pas possible, dites-moi quel langage serait le mieux adapté pour ce genre de tâche, et j'irai consulter les tutoriels appropriés.

Merci d'avance.
12/07/2009, 07h16
Jerome Briot

Citation:

Envoyé par fuyo2004

Je souhaite, à partir de fichiers textes, ajouter des balises html très simples dans le texte. Par exemple, entourer chaque paragraphe de <p></p>, entourer chaque titre de <h2></h2>, et pourquoi pas une balise <img /> à la place des images

Comment comptes-tu différencier ces types de données HTML dans ton fichier text ?

Il n'y a guère de différence entre un titre et un paragraphe dans un fichiers text...
Et pour l'image, je n'en ai encore jamais vue dans un fichier text (sauf en ascii art :aie:)

Aurais-tu un exemple à nous donner ?
12/07/2009, 12h49
fuyo2004

Eh bien par exemple, je rentre chaque ligne de mon fichier texte dans une variable différente, et je regarde pour une variable donnée si la variable qui la suit et la variable qui la précède sont vides. Si oui j'en conclus que c'est un titre, si non une ligne de paragraphe.

Pour les images oui désolé il n'y aurait pas d'images dans mes fichiers textes, c'est juste parce que mes documents sont au format .odt à la base, mais textread n'accepte pas ces formats je crois.

Hum, sinon j'y pense, mais open office encode en xml je crois, et en ouvrant mes documents avec un gestionnaire d'archive je peux avoir accès un fichier .xml, plus facile à traiter ?

Par contre c'est le gros bazar dans ce fichier, je suis pas sûr que ce soit beaucoup plus simple de passer par un fichier qui a déjà des balises mais pas les bonnes que un fichier qui ne possède pas du tout de balises. :?

1 pièce(s) jointe(s)

Sauf qu'avec le fichier .xml, impossible de faire ce que je voulais plus haut, puisque tout le contenu est mis à la suite dans des balises.

Pour exemple, je vous mets en pièces jointes un fichier open office, et son codage .xml correspondant (enfin une partie) :
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 <text:p text:style-name="P1">Titre général (en police 16 et centré)</text:p> <text:p text:style-name="P1"/><text:p text:style-name="P1"/><text:p text:style-name="P3">I/ Titre de partie police 14</text:p><text:p text:style- name="P3"/><text:p text:style-name="P2"><text:tab/>Ceci est un paragraphe d'essai pour tester la codification xml d'open office. Il contient du texte normal, du <text:span text:style-name="T1">texte en italique</text:span>, ainsi que du <text:span text:style-name="T2">texte en gras</text:span>. Le tout est en police times new roman taille 12.</text:p> <text:p text:style-name="P2"/><text:p text:style-name="P2"> <text:tab/>Ceci est un deuxième paragraphe, qui permet en même temps de tester le codage d'une image sous open office :</text:p><text:p text:style-name="P2"/><text:p text:style-name="P2"><draw:frame draw:style-name="fr1" draw:name="images1" text:anchor-type="paragraph" svg:width="8.019cm" svg:height="6.244cm" draw:z-index="0"><draw:image xlink:href="Pictures/1000000000000177000001249E7F46BE.jpg" xlink:type="simple" xlink:show="embed" xlink:actuate="onLoad"/> </draw:frame></text:p>
Y'a pas un coup à jouer de ce côté là ? C'est possible de rechercher une chaîne de caractères spécifique dans un fichier et la remplacer par une autre avec matlab ?

Tiens et puis voilà le fichier html obtenu grace à la fonction "exporter" d'open office. Il m'a l'air moins compliqué que le précédent quand même.
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 </style></head><body dir="ltr" style="max-width:20.999cm;margin- top:2cm; margin-bottom:2cm; margin-left:2cm; margin-right:2cm; "><p class="P1">Titre général (en police 16 et centré)</p><p class="P1">*</p><p class="P1">*</p><p class="P3">I/ Titre de partie police 14</p><p class="P3">*</p><p class="P2"><span style="margin-left:;"/>Ceci est un paragraphe d'essai pour tester la codification xml d'open office. Il contient du texte normal, du <span class="T1">texte en italique</span>, ainsi que du <span class="T2">texte en gras</span>. Le tout est en police times new roman taille 12.</p><p class="P2">*</p><p class="P2"><span style="margin- left:;"/>Ceci est un deuxième paragraphe, qui permet en même temps de tester le codage d'une image sous open office :</p><p class="P2">*</p><div class="P2"><div style="height: 6.244cm;width: 8.019cm;" id="images1" class="fr1"><p><img width="350" height="273" alt="" src="data:image/*; base64,/"très longue suite de caractères"/9k="/></p></div></div></body> </html>
Donc maintenant, ne reste plus qu'à trouver une solution pour expurger un de ces deux fichiers, remplacer par exemple tous les <p class="P3"> par des <h2> dans le fichier html.

Par contre, d'un fichier à l'autre, je suis pas sûr que la valeur de l'argument de class soit le même, ce qui me pose un problème si je veux écrire un programme qui tourne pour tous mes fichiers.

12/07/2009, 14h51
Jerome Briot
Euh... on part un peu dans tous les sens la, non ?

Revenons à la question de départ.

Tu as un fichier test.txt qui contient ceci :

Citation:

Ceci est un titre
Ceci est un sous-titre
Ceci est un paragraphe

Il n'y a pas de mise en forme car c'est un simple fichier txt

Et tu voudrais le transformer en un équivalent HTML :
Code:

1 2 3 4 5 6 7 8 9 10 <html> <head> <title>test.html issu de test.txt</title> </head> <body> <h1>Ceci est un titre</h1> <h2>Ceci est un sous-titre</h2> <p>Ceci est un paragraphe</p> </body> </html>
Le problème, c'est que dans le fichier txt, toutes les données se ressemblent... :koi:
12/07/2009, 15h21
Jerome Briot

Citation:

Envoyé par fuyo2004

c'est juste parce que mes documents sont au format .odt à la base, mais textread n'accepte pas ces formats je crois.

J'avais mal lu cette phrase... il me semble que tu cherches à lire tes fichiers OpenOffice odt directement dans MATLAB pour ensuite les convertir en HTML "simplifié"... c'est ça ?

Si c'est bien le cas, tu devrais essayer une des toolbox XML sur le fichier odt => Gestion des fichiers XML avec la XML toolbox
12/07/2009, 16h10
fuyo2004

Pour éclaircir le sujet, quelques précisions :

- mes fichiers sont bien en format .odt à la base, c'est pourquoi je m'intéressais également aux fichiers .xml d'open office et à sa conversion automatique en html.

- comme je pensais que matlab ne pouvait pas lire un fichier .odt, j'aurais pu copier/coller mon .odt dans un .txt pour ensuite faire l'analyse.

Mais je commence à y voir plus clair.

Si je récapitule :

- si j'utilise la toolbox xml, il me suffirait après avoir chargé mon fichier.xml de changer le nom des colonnes de ma structure. Par exemple, la colonne

Code:

structure.p class="P3"

deviendrait

Code:

structure.h2

- si j'utilise le fichier.html, mais il faut que je puisse le charger sous matlab, il faudrait rechercher une chaîne de caractères (ex "<p class="P3">") et la remplacer (par "<p>"). Y-a-t-il une fonction matlab pour ça (qui ferait le même boulot que "Trouver/Remplacer par" présent dans tous les éditeurs de texte).

- si j'utilise un fichier .txt, pour répondre à Dut, je ferai en sorte qu'il se présente de cette façon :

Citation:

Ceci est un titre

Ceci est un paragraphe
Suite du paragraphe.
Suite du paragraphe.

(c'est à dire avec une ligne vide entre chaque partie), de façon à pouvoir utiliser la méthode expliquée dans mon deuxième post. La différence entre
le titre et le paragraphe, c'est que le titre est entouré de deux lignes vides, tandis qu'aucune des lignes du paragraphe ne l'est.

Les deux premières méthodes seraient à privilégier pour moi, car elles permettent de détecter et conserver la police en gras et en italique dans le texte.

Citation:

Envoyé par fuyo2004

Les deux premières méthodes seraient à privilégier pour moi, car elles permettent de détecter et conserver la police en gras et en italique dans le texte.

Ben pour l'instant, j'ai une solution pour la troisième :aie:

Soit le fichier text suivant :
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 Titre 1 ezfqsffqef eFfeqffezfezfzsq zefzEFZEF EZFzefzefEFEF EFZFEFFEZFEEFERF,UIKFYHZSRT GESRGTYJUUIK Titre 2 eqsgtbdtyhyshqergryjlugjksrhwtf srtrsthtyjgnh rhfgb erfeqsrf qerfsrf reqgerg reqg qerg Titre 3 reqgdtyghn regdfg regtyghnh xbwf qrg qrgqerg qergqerg qergqrgyj;ji;
Le code ci-dessous :
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 % Lecture du fichier ligne par ligne X = textread('test.txt','%s','delimiter','\n'); % Recherche des indices des lignes vides idx = find(cellfun('isempty',X)); % On modifie chaque ligne precedant ou suivant une ligne vide en ajoutant % soit <p> soit </p> for n=1:numel(idx) X{idx(n)-1} = sprintf('%s</p>',X{idx(n)-1}); X{idx(n)+1} = sprintf('<p>%s',X{idx(n)+1}); end % Cas particulier du premier titre X{1} = ['<h1>' X{1}]; % Cas particulier du dernier paragraphe X{end} = [X{end} '</p>']; % Recherche a nouveau des indices des lignes vides idx = [1 ; cellfun('isempty',X)]; % On detecte les lignes encadrees par deux lignes vides idx = strfind(idx.',[1 0 1]); % On modifie les lignes correspondante aux titres for n=1:numel(idx) X{idx(n)} = strrep(X{idx(n)},'<p>','<h1>'); X{idx(n)} = strrep(X{idx(n)},'</p>','</h1>'); end % Ecriture du fichier final HTML en mode binaire (plus rapide) fid = fopen('test.html','w'); fwrite(fid,'<html><head></head><body>'); fwrite(fid,[X{:}]); fwrite(fid,'</body></html>'); fclose(fid); % Verification du resultat web test.html -browser
donne le fichier HTML suivant :

Code:

<html><head></head><body><h1>Titre 1</h1><p>ezfqsffqefeFfeqffezfezfzsqzefzEFZEFEZFzefzefEFEFEFZFEFFEZFEEFERF,UIKFYHZSRTGESRGTYJUUIK</p><h1>Titre 2</h1><p>eqsgtbdtyhyshqergryjlugjksrhwtfsrtrsthtyjgnhrhfgb</p><p>erfeqsrfqerfsrfreqgergreqgqerg</p><h1>Titre 3</h1><p>reqgdtyghnregdfgregtyghnhxbwf</p><p>qrgqrgqerg</p><p>qergqergqergqrgyj;ji;</p></body></html>

C'est l'idée...

12/07/2009, 17h10
fuyo2004

Wow...

Formidable. :ccool:
C'est exactement ça que j'avais dans la tête.

J'ai pas matlab sous la main, donc je peux pas trop bricoler et tester d'autres trucs, mais si j'élabore un script qui me permette de prendre en compte plus de paramètres, je vous tiendrai au courant.

De même, je vais essayer de me renseigner sur les deux autres solutions, voir s'il n'y a pas un langage de programmation qui serait bien adapté à cette tâche.

Merci beaucoup en tout cas.
12/07/2009, 17h15
Jerome Briot

Citation:

Envoyé par fuyo2004

Par contre, d'un fichier à l'autre, je suis pas sûr que la valeur de l'argument de class soit le même, ce qui me pose un problème si je veux écrire un programme qui tourne pour tous mes fichiers.

Je me posais aussi cette question... dans le cas du fichier HTML généré par Open Office, il doit bien y avoir un fichier de style ou bien des données écrites dans le bloc <head></head> entre des balises <style></style>, non ?

Citation:

Envoyé par Dut

Je me posais aussi cette question... dans le cas du fichier HTML généré par Open Office, il doit bien y avoir un fichier de style ou bien des données écrites dans le bloc <head></head> entre des balises <style></style>, non ?

Oui.

Je ne vous avais pas tout fourni, mais voilà le début du fichier qu'ils produisent :
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 <?xml version="1.0" encoding="UTF-8"?> <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.1 plus MathML 2.0//EN" "http://www.w3.org/TR/MathML2/dtd/xhtml-math11-f.dtd"> <html xmlns="http://www.w3.org/1999/xhtml"> [...] Balises méta et link en tous genres [...] <base href="."/> <style type="text/css"> @page { size: 20.999cm 29.699cm; margin-top: 2cm; margin-bottom: 2cm; margin-left: 2cm; margin-right: 2cm } table { border-collapse:collapse; border-spacing:0; empty-cells:show } td, th { vertical-align:top; font-size:12pt;} h1, h2, h3, h4, h5, h6 { clear:both } ol, ul { margin:0; padding:0;} li { list-style: none; margin:0; padding:0;} li span.odfLiEnd { clear: both; line-height:0; width:0; height:0; margin:0; padding:0; } span.footnodeNumber { padding-right:1em; } * { margin:0; } .fr1 { font-size:12pt; text-align:center; vertical-align:top; } .P1 { font-size:16pt; font-family:Times New Roman; text-align:center ! important; } .P2 { font-size:12pt; font-family:Times New Roman; text-align:left ! important; } .P3 { font-size:14pt; font-family:Times New Roman; text-align:left ! important; } .T1 { font-style:italic; } .T2 { font-weight:bold; } 
Une page web complète dans un seul fichier html, quoi.

Et du coup, imaginons que la police change d'un fichier à l'autre, et le nom de la class n'est plus le même. :aie:

Sur des fichiers de dizaines de pages, bonjour le nombre de class...