file_get_contents et regex

Version imprimable

26/03/2010, 22h59
bigs3232

file_get_contents et regex

j'ai un fournisseur qui me demande de recuperer les infos produit directement sur leur site avec file_get_contents

Citation:

$fich ='http://www.espacepc.com/wdbox/aspglobal/wdb_lb.asp?Args=DATA:espacePC$TABLE:Listearticles$DOSSIER:espacePC$WHERE:%28chronoA=5300%29$HTMR:fiche';
$thefile = file_get_contents($fich);
preg_match_all('#(.*)Caractéristiques(.*)#', $thefile, $out);
print_r($out);

je voudrais recuperer sur un fichier excel le contenu de la rubrique
Caractéristiques mais j'ai çà comme résultat

Citation:

Array
(
[0] => Array
(
[0] => Caractéristiques
)

[1] => Array
(
[0] =>
)

[2] => Array
(
[0] =>
)

)

je ne comprends riens là.
merci pour votre precieuse aide
27/03/2010, 09h50
s.n.a.f.u

Salut,

Tu ne nous donnes pas beaucoup de données pour réfléchir...

Dans un premier temps, je tenterais le DOT_MATCH_ALL :

Code:

preg_match_all('#(.*)Caractéristiques(.*)#s', $thefile, $out);

moi j'ai compris qu'il voulais faire un truc du genre :

Code:

1
2
3
4
$fich ='http://www.espacepc.com/wdbox/aspglobal/wdb_lb.asp?Args=DATA:espacePC$TABLE:Listearticles$DOSSIER:espacePC$WHERE:%28chronoA=5300%29$HTMR:fiche';
$thefile = file_get_contents($fich);
preg_match_all('#Caractéristiques</td>(.*)</table>#Uis', $thefile, $out);
print_r(trim(strip_tags($out[1][0],'<br>')));

Citation:
Envoyé par John Blobsmith
moi j'ai compris qu'il voulais faire un truc du genre :
Code:

1 2 3 4 $fich ='http://www.espacepc.com/wdbox/aspglobal/wdb_lb.asp?Args=DATA:espacePC$TABLE:Listearticles$DOSSIER:espacePC$WHERE:%28chronoA=5300%29$HTMR:fiche'; $thefile = file_get_contents($fich); preg_match_all('#Caractéristiques</td>(.*)</table>#Uis', $thefile, $out); print_r(trim(strip_tags($out[1][0],'<br>')));
super c'est ca :
par contre j'ai pas compris pourquoi il faut ajouter ca .est ce obligatoire ?

Citation:

Uis

et pourquoi cà car je ne trouve pas dans le code source de la page

Citation:

</table>

le code source est plutot

Citation:

<td colspan="4" class="txttitre p05 GC">Caractéristiques</td>
</tr>
<tr>
<td colspan="4" class="txt p05">Station d’accueil USB v2.0/eSATA pour disque dur SATA 3½’’/2½’’<br>

Bouton de sauvegarde OTB sous Windows avec utilitaire<br>
Alimenté par adaptateur secteur externe. Interrupteur marche/arrêt<br>
Indicateurs lumineux pour l’état de marche et l’activité<br>
Ejection et insertion facile du disque dur<br>
Windows 2000/XP/VISTA et MAC OS 10</td>
</tr>

et pourquoi un trim dans print_r(trim(strip_tags($out[1][0],'<br>')));

28/03/2010, 10h40
John Blobsmith

Code:

Uis

c'est des options pour le regex, dans ce cas U ne serai pas obligatoire. Moi je les met toujours comme ca y'a pas de surprise. Leur effet a été détaillé 3 posts plus loin sur ce forum.
http://www.developpez.net/forums/d89...struire-regex/

Code:

</table>

entre "Caractéristiques" et le texte y'a plein de balise mais pas de </table> du coup je l'utilise en fin de regex pour lui dire -> arrête toi ici.

Code:

strip_tags

je vire toutes les balises inutiles genre "<tr>" et "<td>" qui ne me servent plus mais je conserve les "br" pour la mise en forme.

Code:

trim

j'enlève les espèce en début et en fin de texte, ca doit être utile pour mettre le texte dans un fichier excel mais si c'est pour le ré-afficher sur une page web y'a peut-être pas besoin.
28/03/2010, 14h44
bigs3232

merci john
en fait j'aimerais recuperer 3 bloc dans la page
le 1er

Citation:

</tbody></table></td>
</tr>
<tr>
<td valign="top"><table class="w100per">
<tbody><tr>
<td colspan="4" class="prodtitre2 p10">STATION HDD SATA CONNECTEURS USB+eSATA<br>
<span class="prod2">Réf. 6001001 DOCK-CNL-SCBT

<br>
Code barres : 3700284609377

le deuxieme bloc est celui de la rubrique par Présentation

Citation:

<tr>
<td colspan="4" class="txttitre p05 GC">Présentation</td>
</tr>
<tr>
<td colspan="4" class="txt p05">Insérez un disque dur SATA 3.5’’ ou 2.5’’ puis connectez-le au port eSATA ou USB<br>
de votre ordinateur pour sauvegarder vos données.<br>
Cette station dispose d'un levier pour enlever facilement le disque dur.<br>
Elle incorpore la fonction et un bouton de sauvegarde OTB pour effectuer des<br>

sauvegardes régulières sous WINDOWS et uniquement en mode USB.<br>
Elle est alimentée par une alimentation externe.</td>
</tr>

<tr>
<td colspan="4" class="p05"></td>
</tr>

<tr>

et le dernier bloc est celui de la rubrique Caractéristiques
(ce dernier , ton code permet de recuperer sans souci )
j'aimerais recuperer les 2 premiers en m'inspirant de ta méthode
pour le premier bloc
j'ai fait ca mais ca ne marche pas non plus

Citation:

preg_match_all('#<tbody><tr><td colspan="4" class="prodtitre2 p10">[^</span></td>]*</span></td>#Us', $thefile, $out);

pour le bloc presentation j'ai essayé 2 methode mais aucun ne marche

Citation:

preg_match_all('#Présentation</td>(.*)</table>#Us', $thefile, $out);
preg_match_all('#Présentation[^</td>]*</td>#Us', $thefile, $out);

c'est quoi encore le souci .je me prends la tete mais pas vraiment d'idée là.

Code:

1
2
preg_match_all('#<td colspan="4" class="prodtitre2 p10">(.*)</span>#Uis', $thefile, $out);
print_r(trim(strip_tags($out[1][0],'<br>')));

Code:

1
2
3
 
preg_match_all('#Pr&eacute;sentation</td>(.*)<td colspan="4" class="p05"></td>#Uis', $thefile, $out);
print_r(trim(strip_tags($out[1][0],'<br>')));

28/03/2010, 19h49
bigs3232

encore merci John.t'as tout bon .
1-toutefois pour que je comprenne mieux j'ai essayé avec présentation et non
Présentation.effectivement ca ne marche pas mais je ne comprends pas pourquoi car quand je regarde le code source c'est bien le mot présentation qui est affiché

Citation:

preg_match_all('#Présentation</td>(.*)<td colspan="4" class="p05"></td>#Uis', $thefile, $out);

2-
je ne comprends pas pourquoi ce code ne marche pas .Dapres ce que je comprends .ce code recupere apres <td colspan="4" class="prodtitre2 p10"> tous les mots jusqu'au prochain mot </span> trouvé .Donc ca devrait marcher et ben non

Citation:

preg_match_all('#<td colspan="4" class="prodtitre2 p10">[^</span>]*</span>#Usi', $thefile, $out);

merci encore merci à john pour ton aide précieux
28/03/2010, 21h29
John Blobsmith
Citation:

Envoyé par bigs3232

encore merci John.t'as tout bon .
1-toutefois pour que je comprenne mieux j'ai essayé avec présentation et non
Présentation.effectivement ca ne marche pas mais je ne comprends pas pourquoi car quand je regarde le code source c'est bien le mot présentation qui est affiché

Moi quant je regarde le code source je vois :
Code:

1 2 <td colspan="4" class="txttitre p05 GC">Présentation</td>
Citation:

Envoyé par bigs3232

2-
preg_match_all('#<td colspan="4" class="prodtitre2 p10">[^</span>]*</span>#Usi', $thefile, $out);

- Déja y'a pas de parenthèses du coup tu récupèrera jamais le résultat.
- ca -> [^</span>] ca veux dire tout a part ^ ou < ou / ou s ou p ou a ou n ou >, donc c'est pas ce qu'on veux.

Citation:

Envoyé par bigs3232

merci encore merci à john pour ton aide précieux

Pas de quoi.
29/03/2010, 13h20
asdf007

Tu ferais mieux d'utiliser une biblio comme :
http://simplehtmldom.sourceforge.net/

pour parser ton HTML, c'est 1000 fois plus propre et "fait pour" que des expressions régulières...
29/03/2010, 13h55
ThomasR
Citation:

Envoyé par asdf007

Tu ferais mieux d'utiliser une biblio comme :
http://simplehtmldom.sourceforge.net/

Entièrement d'accord si il doit extraire de nombreuses informations du document HTML.

Citation:

pour parser ton HTML, c'est 1000 fois plus propre et "fait pour" que des expressions régulières...

Cette classe s'appuie elle-même sur des expressions régulières. Donc ce que tu dis n'est pas très juste.

Aussi, il faut que la regex soit non-gourmande :
Code:

1 2 '#(.*?)Caractéristiques(.*?)#',
$1 : l'ensemble du texte contenu entre # et Caractéristiques.
$2 : l'ensemble du texte contenu entre Caractéristiques et #
29/03/2010, 14h45
asdf007

Citation:

Envoyé par ThomasR

Entièrement d'accord si il doit extraire de nombreuses informations du document HTML.

Si c'est juste une info à un endroit précis dans un doc HTML et qui implique une regexp à peu près lisible, éventuellement ; dans tout autre cas plus complexe/fréquent c'est vraiment peu recommandé amha.

Citation:

Cette classe s'appuie elle-même sur des expressions régulières. Donc ce que tu dis n'est pas très juste.

Justement : le code derrière est complexe et difficilement lisible. Reste qu'il produit un parseur complet qui gère des choses comme la récurrence qui sont très chiantes à faire "from scratch" avec des regexp.

C'est l'assurance d'avoir un parsing fiable, hyper lisible/maintenable tout en étant très correctement optimisé.
29/03/2010, 15h08
bigs3232
Citation:
Envoyé par ThomasR

Entièrement d'accord si il doit extraire de nombreuses informations du document HTML.

Cette classe s'appuie elle-même sur des expressions régulières. Donc ce que tu dis n'est pas très juste.

Aussi, il faut que la regex soit non-gourmande :

Code:

1 2 '#(.*?)Caractéristiques(.*?)#',

$1 : l'ensemble du texte contenu entre # et Caractéristiques.
$2 : l'ensemble du texte contenu entre Caractéristiques et #
merci à asdf007 pour ton lien .c'est la 1em fois que je vais utiliser une librairie.
je vais voir comment ca marche .
sinon thomas j'ai essayé ton code pour voir , apparamment ca ne marche pas

Citation:

preg_match_all('#(.*?)Caractéristiques(.*?)#s', $thefile, $out);
print_r($out);
30/03/2010, 19h49
bigs3232

petite question à thomas pour son code .
pourquoi ? dans (.*?)
si d'autres personnes que thomas peut eclairer ma lanterne .je dirais pas non
merci d'avance

Citation:

'#(.*?)Caractéristiques(.*?)#'
30/03/2010, 20h35
ThomasR

C'est un opérateur qui permet à l'expression d'être non gourmande, cela permet de ne prendre que la plus petite partie possible répondant à ton motif.
30/03/2010, 22h35
bigs3232

Citation:

Envoyé par ThomasR

C'est un opérateur qui permet à l'expression d'être non gourmande, cela permet de ne prendre que la plus petite partie possible répondant à ton motif.

ca (.*) je comprends :quel que soit n'importe quel caractere soit 0,1, plusieurs fois
mais ca (.*?) =>quel que soit n'importe quel caractere soit 0,1, plusieurs fois c'est çà?
31/03/2010, 12h24
ThomasR

Si tu ne met que (.*?) et que tu ne précises aucun motif autour, cela renverra la même chose que (.*), c'est à dire tout.

Imagines une chaine :

Code:

;bonjour;le;monde;

Appliquer le motif ;(.*); renvoie une occurence:

Code:

bonjour;le;monde

Appliquer ;(.*?); renvoie plusieurs occurences :

Code:

bonjour

Code:

le

Code:

monde
31/03/2010, 14h40
bigs3232

purée merci .si tu m'avais dit plutot j'aurais pas à me prendre la tête depuis 2heures.mon bug vient de là.
merci quand meme
31/03/2010, 14h54
asdf007

Citation:

Envoyé par bigs3232

purée merci .si tu m'avais dit plutot j'aurais pas à me prendre la tête depuis 2heures.mon bug vient de là.
merci quand meme

Ou alors t'aurais pu taper "expressions régulières" sur google comme un grand et apprendre à t'en servir, tout simplement...
31/03/2010, 20h09
John Blobsmith

Citation:

Envoyé par ThomasR

Si tu ne met que (.*?) et que tu ne précises aucun motif autour, cela renverra la même chose que (.*), c'est à dire tout.

Imagines une chaine :

Code:

;bonjour;le;monde;

Appliquer le motif ;(.*); renvoie une occurence:

Code:

bonjour;le;monde

Appliquer ;(.*?); renvoie plusieurs occurences :

Code:

bonjour

Code:

le

Code:

monde

Tout dépend avec quelle fonction et quelle option tu l'utilise...
Je trouve ca intéressant mais je trouve pas le même résultat que toi, peux tu me montrer le code php utilisé pour arriver à ce résultat ?
01/04/2010, 10h58
bigs3232

voici mes codes

Citation:

<div style="clear: right"></div>
<p> </p>

<h2>Caractéristiques</h2>
<ul><li>afficheur 3 1/2 digits avec rétro-éclairage et indication automatique de polarité</li><li>indication pile faible</li><li>fonction data-hold</li><li>sélection de plage automatique ou manuelle</li><li>mesures de tension: CA 600V et CC 600V max.</li><li>mesures de courants: CA 10A et CC 10A max.</li><li>mesures de résistance: 20Mohm max.</li><li>mesures de température: -20°C ~ 1000°C</li><li>avec test de piles</li><li>test de transistors, diodes et de continuité</li></ul>

<h2>Spécifications</h2>
<ul><li>tension CC: 200m/2/20/200/600V<ul><li>précision de base: ±0.7%</li><li>impédance d'entrée: 10Mohm</li><li>entrée max.: 600V</li></ul></li><li>tension CA: 200m/2/20/200/600V<ul><li>précision de base: ±0.8% (±1.0% pour la plage 600V)</li><li>impédance d'entrée: 10Mohm</li><li>plage de fréquence: 40-400Hz</li><li>entrée max.: 600v</li></ul></li><li>courant CC: 200µ/2000µ/20m/200m/2/10A <ul><li>précision de base: ±1.2% (±2.0% for 2/10A range)</li><li>protection surcharge: 200mA (2/10A ranges unfused)</li></ul></li><li>courant CA: 200µ/2000µ/20m/200m/2/10A<ul><li>précision de base: ±1.5% (±3.0% pour les plages 2A & 10A)</li><li>protection surcharge: 200mA (plages 2A & 10A sans fusible)</li></ul></li><li>résistance: 200/2k/20k/200k/2M/20M<ul><li>précision de base: ±1.0%</li><li>protection surcharge: 250V</li></ul></li><li>capacité: -<ul><li>précision: -</li></ul></li><li>inductance: -<ul><li>précision: -</li></ul></li><li>fréquence: -<ul><li>précision de base: -</li><li>protection surcharge: -</li></ul></li><li>température: -20°C ~ 1000°C<ul><li>précision de base: -</li></ul></li><li>indication hors plage: oui "OL"</li><li>buzzer continuité: oui</li><li>test de transistors: oui 2µA/1V</li><li>test de diodes: oui</li><li>indication pile faible: oui</li><li>affichage max.: 1999 (3 1/2)</li><li>dim. afficheur LCD: hauteur 16mm</li><li>sélection de plage: auto / manuelle</li><li>fonction data-hold: oui</li><li>rétro-éclairage: oui</li><li>dimensions: 158 x 74 x 32mm</li><li>poids (avec piles): ± 250g</li><li>alimentation: 3 x pile LR03 de 1.5V (incl.)</li><li>emballage: blister</li><li>acessoires: notice / cordons de mesure / piles / thermocouple / adaptateur multifonctions</li><li>auto power off: oui</li></ul>

<h2>Fichiers</h2>
<ul>
<li>

Citation:

preg_match_all('#Caractéristiques(.*?)Spécifications#Uis', $thefile, $out);
preg_match_all('#\s+(.*?)\s+#Uis', $out[1][0], $out);
$desc=trim(strip_tags($out[1][0],'<ul><li>'));
preg_match_all('#Spécifications(.*)(Voir plus...</a>|</ul>\s+<h2>Fichiers</h2>|</ul>\s+<h2>Info Stock</h2>)#Uis', $thefile, $out);
//==>(.*) et non (.*?) sinon donne plusieurs occurrences
preg_match_all('#\s+?(.*?)\s+?#Uis', $out[1][0], $out);
$it=trim(strip_tags($out[1][0],'<ul><li>'));