Parser HTML

Question

Bonjour, 

 je voudrais parser un fichier HTML. Comme le HTML provient du meme langage que le XML, j'ai utiliser un parser SAX. Mais la page HTML doit être validée XHTML sinon le parseur plante .

Personne n'a une petite idée pour arriver à parser un fichier HTML ? ( et même pour un fichier non valide XHTML). Le parser Sax est-il la meilleure solution ?

A oui, j'aimerai ne pas importer d'autres librairies, mais si il n'y as pas le choix, je ferrais avec ! 

Merci

cs_AlexN · Answer

Salut,

Je fais pas mal de parsing en ce moment (xml et html). 
J'ai abandonné SAX a cause de plusieurs problèmes auxquels je n'ai pas trouvé de solution :
- html non valide, 
- reprise de connexion après reinitialisation par le serveur non controlable avec le couple SAX/Apache.

J'utilise plutôt une forme de parsing "plat" à l'aide d'expressions régulières.
Pour le xml, ça passe généralement bien.
Pour le html, c'est plus sportif. Ma méthode :
- Ouverture de la page dans firebug
- Recherche de balises potables qui peuvent servir d'accroche aux ER
- Quand les balises ne passent pas, accroche sur du texte propre à la page
- Construction d'une série d'ER me permettant d'extraire les données dont j'ai besoin
- Parsing.

Si ça peut t'aider...

Ombitious_Developper · Answer

Salut: Jettes un coup d'oeil sur la classe javax.swing.text.html elle permet de parser un fichier HTML. Pour SAX je ne sais pas que ça va vraimant servir pour parser un fichier HTML tout simplement parceque: HTML n'est pas assez rigoureux comme XML Il y a des balises HTML qui n'admettent pas des balises de fin () prend l'exemple de la balise img. __________________________________________________________ A.B. : La lumière voyage plus vite que le son. C'est pourquoi certainespersonnes paraissent brillantes jusqu'à ce qu'elles commencent à parler ...

jeanphi6 · Answer

Ta méthode AlexN parait un peu barbare lol 

Je vais jeter un coup d'oeil sur la classe HTML. Je vais bien voir ce que sa donne. Donc en gros j'abandonne mon parserSax ...

Merci à vous deux

cs_AlexN · Answer

:o) nan nan pas barbare, juste ultralight.Mes parsers peuvent être utilisé simultanément par un paquet d'internautes. Par conséquent des clients prégénérés du type wsdl ou des classes swing sont trop lourdes et mobilisent trop de ressources pour mes besoins. 
Je n'utilise que deux paquetages basiques : java.util.regex.Pattern et java.util.regex.Matcher. Le reste est fait à la mano.
Maintenant si tu n'as besoin que de parser qu'une page de temps en temps, swing est surement une bonne solution.

jeanphi6 · Answer

"Je n'utilise que deux paquetages basiques : java.util.regex.Pattern et java.util.regex.Matcher." 

J'étais juste en train de me renseigner la dessus, j'ai d'ailleur commencer, mais les expressions régulières, je ne maitrise pas trop. D'ailleurs si quelqu'un pourrait m'aider, par exemple pour que le matcher me renvoie une chaine contenant la balise et son contenu, comme par exemple :

[...  ... ]

Mais aussi les balises comme celle ci :

Je cherche je cherche et je galère !

Merci

cs_AlexN · Answer

http://www.javafr.com/infomsg_PATERN_878126.aspx

jeanphi6 · Answer

Merci pour le lien, j'ai regardé ... et c'est toujours flou .. j'ai lu des tutos explicant mais non, rien à faire...

jeanphi6 · Answer

Je viens de réussir à récupérer le contenu des balises : Pattern pat = Pattern.compile("*",Pattern.DOTALL | Pattern.MULTILINE); Mais j'aimerais savoir si on peut adapter le pattern les balises ?

jeanphi6 · Answer

En fait sa reviendrait à faire une seule ligne avec : Pattern pat = Pattern.compile("",Pattern.DOTALL | Pattern.MULTILINE); Pattern pat = Pattern.compile("*",Pattern.DOTALL | Pattern.MULTILINE); Sa peut se faire non ?

cs_AlexN · Answer

import java.util.regex.Pattern;
import java.util.regex.Matcher;

public class PatternExample{
    public static void main(String[] args){
        String s = "      ";
        Matcher m = Pattern.compile("^$").matcher(s.trim());
        if (m.find()) {
            System.out.println("Trouve = " + m.group(1));
        }
    }
}

Affiche :
Trouve = img.jpg

cs_AlexN · Answer

Tes motifs sont très généraux, et les options pattern.DOTALL et pattern.MULTILINE sont dangereuses dans le sens où le résultat risque d'être le fichier entier. d'autre part avec *, une expression comme >>>>>>>>>>>>>>>>>>> correspond aussi à ton motif.

cs_AlexN · Answer

sinon regardes dans l'aide de l'api http://java.sun.com/j2se/1.5.0/docs/api/
classe pattern, la syntaxe est détaillée

jeanphi6 · Answer

Euh pour les motifs j'avai vu sur le net, et comme cela fonctionnait lol j'ai laissé. Parce que si je voulais récupérer le contenu de la balise HTML, il me faut passer les lignes. Ton exemple ne marche pas pour mon fichier html très basique Hello World Hello World ! Google Pfiou sacrées Expressions....

jeanphi6 · Answer

J'arrive à un truc pas mal, mais avec deux patterns, mais je viens de tester avec un balise titleee, va falloir que je vois, sachant qu'il y a 3 sortes de balises <title>

Ombitious_Developper · Answer

http://java.sun.com/products/jfc/tsc/articles/bookmarks/




http://www.eteks.com/tips/tip6.html



__________________________________________________________
A.B. :  La lumière voyage plus vite que le son. C'est pourquoi certainespersonnes paraissent brillantes jusqu'à ce qu'elles commencent à parler .../FONT>

jeanphi6 · Answer

Je l'ai ai déja parcourue ces pages ;) Mais merci quand meme :)

Parser HTML

16 réponses

Votre réponse

Discussions similaires