[HTML PARSER] expression régulière avec preg_match_all

Version imprimable

Bonjour à tous,

je débute un peu dans les expressions régulières et je me confronte à un soucis.

J'ai récupéré le code HTML d'une page web dans une variable et j'essaie de récupérer des valeurs (la définition du parser HTML quoi :mouarf:)

Par exemple :
Code:

1 2 3 4 5 <td bgcolor="#D4D4D4" width="72" align="center">12</td> <td bgcolor="#D4D4D4" width="77" align="center">12/08/10</td> <td width="60" align="center" bgcolor="#E7E7E7"></td> <td width="62" align="center" bgcolor="#E7E7E7">???</td> <td align="center" bgcolor="#E7E7E7">Dénominateur</td>
J'aimerais extraire les valeurs suivantes : "12", "12/08/10", "Dénominateur"

En gros, trouver toutes les valeurs X :

<td bgcolor="#D4D4D4" width="72" align="center">X<
<td bgcolor="#D4D4D4" width="77" align="center">X<
<td align="center" bgcolor="#E7E7E7">X<

Faut-il passer par preg_match_all pour chaque type de masque ? preg_match_all est bien la fonction a utiliser ? Quel masque utiliser ?

Je m'y perds un peu ^^

Merci pour votre aide !

Premier essai mais c'est un echec :cry:

Code:

1
2
3
4
5
$machaine = '<td bgcolor="#D4D4D4" width="72" align="center">12</td>';
 
preg_match_all("#<td bgcolor=\"#D4D4D4\" width=\"72\" align=\"center\">([0-9]{2})</td>#", $machaine, $m);
 
echo $m[1];

Salut,

Code:

preg_match_all('%<td[^>]*?>(.*?)</td>%si', $str, $res, PREG_PATTERN_ORDER);

Donne

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Array (
	[0] => Array (
		[0] => <td bgcolor="#D4D4D4" width="72" align="center">12</td>
		[1] => <td bgcolor="#D4D4D4" width="77" align="center">12/08/10</td>
		[2] => <td width="60" align="center" bgcolor="#E7E7E7"></td>
		[3] => <td width="62" align="center" bgcolor="#E7E7E7">???</td>
		[4] => <td align="center" bgcolor="#E7E7E7">Dénominateur</td>
	)
	[1] => Array (
		[0] => 12
		[1] => 12/08/10
		[2] => 
		[3] => ???
		[4] => Dénominateur
	)
)

EDIT : Et aussi...

Code:

preg_match_all('%<td (?:bgcolor="#D4D4D4" width="7[2|7]" align="center"|align="center" bgcolor="#E7E7E7")>(.*?)</td>%si', $str, $res, PREG_PATTERN_ORDER)

Donne

Code:

1
2
3
4
5
6
7
8
9
10
11
12
Array (
	[0] => Array (
		[0] => <td bgcolor="#D4D4D4" width="72" align="center">12</td>
		[1] => <td bgcolor="#D4D4D4" width="77" align="center">12/08/10</td>
		[2] => <td align="center" bgcolor="#E7E7E7">Dénominateur</td>
	)
	[1] => Array (
		[0] => 12
		[1] => 12/08/10
		[2] => Dénominateur
	) 
)

06/08/2010, 10h37
Exca

Merci beaucoup :ccool:
19/10/2011, 21h48
samtheh
désolé de resortir le sujet mais mon problème est très proche de celui évoqué.

Voici la chaine que j'essaye d'analyser :
Code:

1 2 3 4 <td nowrap="nowrap" class="date"> 23 sept<br>10:56 </td>
Avec le code suivant :
Code:

1 2 3 preg_match_all("%<td[^>]*?>(.*)</td>%",$ligne,$tmp,PREG_PATTERN_ORDER); print_r($tmp);
Et voici ce que j'obtiens :
Code:

1 2 Array ( [0] => Array ( ) [1] => Array ( ) )
Je ne comprend pas ou est mon erreur....je me demande si ce n'est pas à cause des sauts de ligne.
Merci de votre aide.
20/10/2011, 09h44
stealth35

DOMDocument pour parser du HTML
20/10/2011, 13h59
Eric2a

Citation:

Envoyé par samtheh

Je me demande si ce n'est pas à cause des sauts de ligne.

Pour prendre en compte les sauts de ligne, il faut ajouter l'option s

%<td[^>]*?>(.*)</td>%s

Mais entre temps, stealth35 a démontré, et ceci à plusieurs reprises, qu'il y a plus adapté...

Citation:

Envoyé par stealth35

DOMDocument pour parser du HTML

@stealth35 : À quand un tutoriel sur DVD ;)
20/10/2011, 14h17
stealth35

Citation:

Envoyé par Eric2a

@stealth35 : À quand un tutoriel sur DVD ;)

en VHS :ccool:
20/10/2011, 16h53
Doc_xhtml

Un tutoriel DOMDocument exclusivement orienté html serait en effet plus que bienvenu. DOMDocument et DOMXPath sont des outils puissants mais leur apprentissage, par ce que j'ai pu expérimenter, n'est pas vraiment évident.

Je ne promets rien, mais si ma charge de travail le permet, j'aimerais rédiger ce tutoriel, non en qualité de spécialiste (je suis très loin de l'être), mais en tant qu'ancien débutant (pas encore véritablement pro) ayant dû, pour son premier travail en DOMDocument et DOMXPath, se heurter à pas mal de difficultés et d'incompréhensions sur un projet xhtml concret et complexe.
Je pense donc que je saurai rédiger ce tuto en fonction.

Mais, encore une fois, je ne promets rien. ;)
20/10/2011, 19h50
samtheh

J'obtiens le même résultat....:(

Si il y a une méthode plus adaptée je suis preneur, quand sortira le tuto évoqué ?
21/10/2011, 09h25
Doc_xhtml

Citation:

Envoyé par samtheh

quand sortira le tuto évoqué ?

Bonjour,

Ce n'est pas pour tout de suite. Il faut d'abord que je termine et livre le projet que je mentionnais dans mon intervention précédente.

Mais je commence à y penser.
21/10/2011, 09h54
stealth35
c'est quand même plus compréhensible de faire :
Code:

1 2 3 4 5 6 7 8 $doc = new DOMDocument(); $doc->loadHTML($html); $tds = $doc->getElementsByTagName('td'); foreach($tds as $td) { var_dump($td->nodeValue); }
en javascript personne ne fait des regex sur un innerHTML, on utilise l'API classique du DOM

Beaucoup mieux :) J'aime beaucoup ;)

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
 
$doc = new DOMDocument();
		$doc->loadHTML($data_brut);
 
		$trs = $doc->getElementsByTagName('tr');
 
		foreach($trs as $tr) {
			//echo $doc->saveXML($tr);
 
			echo "<tr>";
			foreach($tr->getElementsByTagName('td') as $td) {
				//var_dump($td->nodeValue);
 
				echo "<td>".trim($td->nodeValue)."</td>";
 
			}
			echo "</tr>";
 
		}

22/10/2011, 11h31
stealth35

pas besoin de boucler sur le tr le td ira chercher tout les td