Extraire des informations d'un fichier MHT

Version imprimable

Bonjour,

Je voudrais aller chercher des informations dans un fichier .MHT. Le soucis, c'est qu'en tant que tel ils ne sont pas vraiment lisible avec un éditeur de texte :/
En gros, je voudrais passer de ca :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
From: 
Subject: 
Date: 
MIME-Version: 1.0
Content-Type: multipart/related;
	type="text/html";
	boundary="------NEXT_PART_TOOLSHEET"
This is a multi-part message in MIME format.
 
--------NEXT_PART_TOOLSHEET
Content-Type: text/html;
	charset="utf-8"
Content-Transfer-Encoding: base64
Content-Location: 
 
//48ACEARABPAEMAVABZAFAARQAgAEgAVABNAEwAIABQAFUAQgBMAEkAQwAgACIALQAvAC8AVwAz
AEMALwAvAEQAVABEACAASABUAE0ATAAgADQALgAwACAAVAByAGEAbgBzAGkAdABpAG8AbgBhAGwA
LwAvAEUATgAiAD4ADQAKADwASABUAE0ATAA+ADwASABFAEEARAA+AA0ACgA8AE0ARQBUAEEAIABo
AHQAdABwAC0AZQBxAHUAaQB2AD0AQwBvAG4AdABlAG4AdAAtAFQAeQBwAGUAIABjAG8AbgB0AGUA
bgB0AD0AIgB0AGUAeAB0AC8AaAB0AG0AbAA7ACAAYwBoAGEAcgBzAGUAdAA9AHUAdABmAC0AOAAi
AD4ADQAKADwATQBFAFQAQQAgAGMAbwBuAHQAZQBuAHQAPQAiAE0AUwBIAFQATQBMACAANgAuADAA
MAAuADIAOAAwADAALgAxADEAMAA2ACIAIABuAGEAbQBlAD0ARwBFAE4ARQBSAEEAVABPAFIA
(...)

A ca :

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
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN">
<HTML><HEAD>
<META http-equiv=Content-Type content="text/html; charset=utf-8">
<META content="MSHTML 6.00.2800.1106" name=GENERATOR></HEAD>
<BODY> 
<xml id="data">
<?xml version="1.0"?>
<Toolsheet>
<DefaultDisplayOptions>
<optionSummaryPage>on</optionSummaryPage>
<optionToolpathSummary>on</optionToolpathSummary>
<optionSurfaceImages>off</optionSurfaceImages>
<MSstrategy>off</MSstrategy>
<MScuttingmode>off</MScuttingmode>
<MStoolnumber>on</MStoolnumber>
<MSmaterial>off</MSmaterial>
<MSmachinetool>off</MSmachinetool>
<MStool>off</MStool>
<MScutterdiameter>on</MScutterdiameter>
<MScornerradius>on</MScornerradius>
<MSshaftradius>off</MSshaftradius>
<MSarotation>on</MSarotation>
<MSbrotation>on</MSbrotation>
<MScrotation>on</MScrotation>
<MSflatradius>off</MSflatradius>
<MStaperangle>off</MStaperangle>
<MStipangle>off</MStipangle>
<MSflutelength>off</MSflutelength>
<MSflutediameter>off</MSflutediameter>

La tranformation présentée ici est obtenu en faisant "Show source" dans IE.

Merci d'avance !

03/10/2009, 04h01
tchize_

qu'est-ce qui te bloque là dedans?
05/10/2009, 00h39
aeMAETH

Et bien je sais pas comment faire pour avoir la transformation en Java. J'arrive à l'avoir en faisant un "show source" après avoir ouvert le fichier MHT dans IE, mais comment avoir ca directement dans du code Java ?
05/10/2009, 01h51
tchize_

Qu'est-ce qui te bloque. Lire le fichier? Localiser la zone qui t'intéresse dedans? Convertir le base64?
05/10/2009, 02h07
aeMAETH

Lire le fichier, je ferais comme pour un fichier texte.
Localiser la bonne aprtie : lecture ligne par ligne + regexp.
C'est donc la conversion base64 qui bloque si je me fie à tes propositions. C'est ca qui permet de convertir les "BGUIEOCCMEIOCE" en "<html>...<...>" ?

En tout cas, merci pour ta patience :)
05/10/2009, 10h33
tchize_

soit tu applique à la mainh l'algorithme simple de décodage [ame="http://fr.wikipedia.org/wiki/Base64"]base64[/ame], soit tu utilise une librairie externe, comme par exemple commons codec de jakarta, qui possède un codec base64.
05/10/2009, 12h50
aeMAETH

Merci beaucoup !
05/10/2009, 14h20
aeMAETH

Juste un petit soucis sur le décodage : dois je le faire ligne par ligne ? Parce que pour le moment je met tout dans une String et je lance un Decode là dessus. Et évidemment, ca ne marche pas :/
05/10/2009, 14h38
tchize_

tu dois décoder tout le bloc base64 d'un coup ou alors travailler 4 caractères encodés par quatre caractère encode (cf l'algorithme)

Pour les tests, je n'ai laissé dans le fichier MHT que le bloc Base64.

Je le traite de la manière suivante :
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 String filePath = "N:\\X_system\\5030220.mht"; Scanner scanner=new Scanner(new File(filePath)); String tempString = ""; while (scanner.hasNextLine()) { tempString += new String(scanner.nextLine()); } scanner.close(); byte[] array = Base64.decodeBase64(tempString); String buffer1 = new String(array); System.out.println(buffer1);
Mon soucis appremment est que lors de la lecture de la ligne, le "cast" implicite en String fait que mon information est "dénaturée". Il ne peut plus décoder...

Citation:

Envoyé par aeMAETH

Mon soucis appremment est que lors de la lecture de la ligne, le "cast" implicite en String fait que mon information est "dénaturée". Il ne peut plus décoder...

Quelle erreur as-tu? As-tu remarqué au passage que le binaire de ton fichier encodé en base64 dans ton exemple est de l'utf-16 (contrairement à ce que dit l'entete), ce qui fait que tu devra le lire comme ceci:
Code:

1 2 3 String buffer1 = new String(array,"UTF-16"); System.out.println(buffer1);
PS:
tes new String() dans la boucle ne servent à rien et elle peut avantageusement être remplacée par ce code plus performant
Code:

1 2 3 4 5 6 7 8 StringBuffer tempString = new StringBuffer(); while (scanner.hasNextLine()) { tempString.append(scanner.nextLine()); } scanner.close(); byte[] array = Base64.decodeBase64(tempString.toString());

05/10/2009, 19h06
aeMAETH

Je n'avais pas d'erreurs, la sortie était tout simplement illisible.
Question : comment savoir quel encodage est utilisé ? (je m'était fié à l'entête moi... une machine ca ne ment pas pourtant ;') )

En tout cas je te remercie vraiment beaucoup !
05/10/2009, 19h43
tchize_

si tu décode de l'utf-16 avec de l'utf-8, tu va avoir un caractère sur deux correct dans la zone ASCII avec entre deux un caractère illisible, le bordel dans le reste ;)

Il existe des algorithmes pour détecter l'encodage, mais je les connais pas. Des librairies comme ICU spécialisées dans la gestion de caractère uniconde ont ce genre d'algorithme implémentés:

http://userguide.icu-project.org/conversion/detection