Sed et substitutions balises html
Résolu
eZula
Messages postés
3391
Date d'inscription
Statut
Contributeur
Dernière intervention
-
eZula Messages postés 3391 Date d'inscription Statut Contributeur Dernière intervention -
eZula Messages postés 3391 Date d'inscription Statut Contributeur Dernière intervention -
Salut,
je dois louper qquechose avec le texte suivant, dans un fichier html
je voudrais supprimer tout ce qui est entre <> pour épurer ce fichier html de ses balises et le rendre lisible dans un fichier txt. J'utilise ces expression régulières merdiques
qui donne en conséquence ce résultat merdique :)
bref, pas mal de texte est zappé. Est-ce que vous auriez plus fin à me proposer ?
Merci
je dois louper qquechose avec le texte suivant, dans un fichier html
<head>
<title>Titre</title>
<link rel="stylesheet" media="screen" type="text/css" title="design" href="design.css" />
</head>
<body>
<h1>Voici les instructions, monsieur X</h1><br /> <br /> <br />
<center><img src="images/6.gif" /> Rapport 2.220 <strong>[1]</strong> -02/11/2008- Windows XP <img src="images/6.gif" /></center> <br /> <br />
<center><strong>il est conseillé de suivre la procédure suivante: </center></strong> <br /> <br />
<div class="decalage1"><img src="images/1.gif" /> Aller sur ce site <a href="http://www.blabla.html"><em>Nod32</em></a> <br />
- Faire ceci, puis cela : <br />
- C:\Program Files\<strong>log.txt</strong></div>
</body>
</html><p>
je voudrais supprimer tout ce qui est entre <> pour épurer ce fichier html de ses balises et le rendre lisible dans un fichier txt. J'utilise ces expression régulières merdiques
cat Fichier.html | sed 's/<.*>//g;s/<\/.*>//g'
qui donne en conséquence ce résultat merdique :)
il est conseillé de suivre la procédure suivante: - Faire ceci, puis cela : - C:\Program Files\
bref, pas mal de texte est zappé. Est-ce que vous auriez plus fin à me proposer ?
Merci
A voir également:
- Sed html
- Editeur html - Télécharger - HTML
- Espace html ✓ - Forum HTML
- [**] Balise pour un espace vide en hml. Merci ✓ - Forum Webmastering
- Html download - Télécharger - HTML
- /Var/www/html/index.html ✓ - Forum Linux / Unix
19 réponses
Concernant les délimiteurs, voir Délimiteur de commande dans la FAQ.
Concernant la gourmandise des regex, voir Gourmandise des expressions régulières.
Pour étoffer un peu, les regex sont très gourmandes, si tu mets "<.*>' cela va englober tout ce qui se trouve entre le 1er < et le dernier > sur la ligne.
Avec l'expression "<[^>]*>" on limite la portée au 1er > rencontré, d'où la nécessité de préciser le "g" (global), pour répéter l'expression autant de fois quelle sera rencontrée sur la ligne.
Concernant la gourmandise des regex, voir Gourmandise des expressions régulières.
Pour étoffer un peu, les regex sont très gourmandes, si tu mets "<.*>' cela va englober tout ce qui se trouve entre le 1er < et le dernier > sur la ligne.
Avec l'expression "<[^>]*>" on limite la portée au 1er > rencontré, d'où la nécessité de préciser le "g" (global), pour répéter l'expression autant de fois quelle sera rencontrée sur la ligne.
Salut,
merci, mais ça ne marche pas : caractère 27: commande `s' inachevée, même avec deux | + combinaison
il n'y a plus les retours lignes et surtout plus aucune URL alors que j'arrive à en récupérer au moins une
merci, mais ça ne marche pas : caractère 27: commande `s' inachevée, même avec deux | + combinaison
cat Fichier.html | sed 's|<a *href=\("[^"]"\)>/\1||g;s|<[^>]*>||g'
il n'y a plus les retours lignes et surtout plus aucune URL alors que j'arrive à en récupérer au moins une
Merci jipicy ça fonctionne. Je vois que tu as changé les séparateurs, c'est important où c'est pour améliorer la lisibilité ?
Sinon est-ce que tu peuix me dire en quoi ma proposition n'était pas bonne, stp ? visiblement ça ratissait trop large mais j'avoue ne pas très bien saisir pourquoi
Sinon est-ce que tu peuix me dire en quoi ma proposition n'était pas bonne, stp ? visiblement ça ratissait trop large mais j'avoue ne pas très bien saisir pourquoi
Vous n’avez pas trouvé la réponse que vous recherchez ?
Posez votre question
Salut,
Complément d'infos ;-)
[^>] c'est une classe de caractères complémentée qui veut dire "reconnaître un caractère non énuméré" et non "ne pas reconnaître le caractère énuméré"
Le quantificateur * permet de reconnaître zéro fois, une fois ou autant de fois que la classe peut
Dans ce cas même un <> sera supprimé
Complément d'infos ;-)
[^>] c'est une classe de caractères complémentée qui veut dire "reconnaître un caractère non énuméré" et non "ne pas reconnaître le caractère énuméré"
Le quantificateur * permet de reconnaître zéro fois, une fois ou autant de fois que la classe peut
Dans ce cas même un <> sera supprimé
Avec l'expression "<[^>]*>" on limite la portée au 1er
super, c'est exactement ce que j'avais cherché à faire, sans trouver les bons mot-clés
Merci encore à vous deux pour ces compléments d'info :)
Pardon, je reviens un instant vers vous car un pb se pose. Je souhaiterais que sed épargne tous les liens de type
càd le substitue par http://www.URL.htm, sans les guillemets bien entendu
avant d'effectuer ses substitutions. J'ai donc étendu la commande :
en essayant d'intervertir la position de <a href=\"//g et \">/ /g mais ça ne matche pas à tous les coups (ça supprime quelques URL parfois)
Le but est en priorité de conserver les URL, il faut également substituer les <br /> par des sauts de ligne (d'où le s/<br \/>/\n/g) et ensuite virer tout ce qui est entre crochets
Je précise que le seul unixutil dont je dispose c'est sed, normalement ça se passe sous windows avec sed-3.59.exe (je fais des essais sous Linux dans l'immédiat)
<a href="http://www.URL.htm">
càd le substitue par http://www.URL.htm, sans les guillemets bien entendu
avant d'effectuer ses substitutions. J'ai donc étendu la commande :
cat Fichier.html | sed 's/<a href=\"//g;s/<br \/>/\n/g;s/<[^>]*>//g;s/\">/ /g'
en essayant d'intervertir la position de <a href=\"//g et \">/ /g mais ça ne matche pas à tous les coups (ça supprime quelques URL parfois)
Le but est en priorité de conserver les URL, il faut également substituer les <br /> par des sauts de ligne (d'où le s/<br \/>/\n/g) et ensuite virer tout ce qui est entre crochets
Je précise que le seul unixutil dont je dispose c'est sed, normalement ça se passe sous windows avec sed-3.59.exe (je fais des essais sous Linux dans l'immédiat)
Salut,
essaie d'abord
essaie d'abord
sed 's|<a *href=\("[^"]"\)>/\1|g' et ensuitesed 's|<[^>]*>||g'P.S. Je n'ai pas testé
Oups, j'ai oublié que le séparateur est |
au lieu de
sed 's|<a *href=\("[^"]"\)>/\1|g' mettre
au lieu de
sed 's|<a *href=\("[^"]"\)>/\1|g' mettre
sed 's|<a *href=\("[^"]"\)>|\1|g'
Salut,
Essaye ça :
Essaye ça :
sed 's|<br />|\n|g;s|\(<a href=\"\)\([^"]*\)\([^>]>\)|\2 |g;s|<[^>]*>||g' fichier.html
cat Fichier.html | sed 's|<a *href=\("[^"]"\)>|\1|g;s|<[^>]*>||g'
non, il me bouffe tous les <a href="http://URL">
mince, c'est pénible... :)
Mince, j'ai oubilé le quantificateur
Mon expression cherchais seulemetn un caractère
Teste la ligne de jipicy.
Au moins il a la possibilité de tester ;-))
Mon expression cherchais seulemetn un caractère
sed 's|<a *href=\("[^"]*"\)>|\1|g'
Teste la ligne de jipicy.
Au moins il a la possibilité de tester ;-))
aucune des solutions ne marche entièrement
jipicy : ta commande me bouffe 1 URL sur deux
celle-là <a href="http://URL.exe"> => OK
celle-ci <a href="http://URL.htm"><em>ICI</em></a> <strong> => n'apparait pas
jipicy : ta commande me bouffe 1 URL sur deux
celle-là <a href="http://URL.exe"> => OK
celle-ci <a href="http://URL.htm"><em>ICI</em></a> <strong> => n'apparait pas
Ben je viens de refaire des tests avec les différentes URL et chez moi ça marche bien :
;-))
jp@MDK:~/tmpfs ssh$ cat fichier.html
<head>
<title>Titre</title>
<link rel="stylesheet" media="screen" type="text/css" title="design" href="design.css" />
</head>
<body>
<h1>Voici les instructions, monsieur X</h1><br /> <br /> <br />
<center><img src="images/6.gif" /> Rapport 2.220 <strong>[1]</strong> -02/11/2008- Windows XP <img src="images/6.gif" /></center> <br /> <br />
<center><strong>il est conseillé de suivre la procédure suivante: </center></strong> <br /> <br />
<div class="decalage1"><img src="images/1.gif" /> Aller sur ce site <a href="http://www.blabla.html"><em>Nod32</em></a> <br />
<a href="http://URL.exe">cliquer ici</a><br />
celle-là <a href="http://URL.exe"> => OK</a><br />
celle-ci <a href="http://URL.htm"><em>ICI</em></a> <strong> => n'apparait pas <br />
- Faire ceci, puis cela : <br />
- C:\Program Files\<strong>log.txt</strong></div>
</body>
</html><p>
jp@MDK:~/tmpfs ssh$ sed 's|<br />|\n|g;s|<a href=\"\([^"]*\)[^>]>|\1 |g;s|<[^>]*>||g' fichier.html
Titre
Voici les instructions, monsieur X
Rapport 2.220 [1] -02/11/2008- Windows XP
il est conseillé de suivre la procédure suivante:
Aller sur ce site http://www.blabla.html Nod32
http://URL.exe cliquer ici
celle-là http://URL.exe => OK
celle-ci http://URL.htm ICI => n'apparait pas
- Faire ceci, puis cela :
- C:\Program Files\log.txt
jp@MDK:~/tmpfs ssh$;-\
;-))
Excusez-moi, encore une question au sujet de ceci :
Avec l'expression "<[^>]*>" on limite la portée au 1er > rencontré, d'où la nécessité de préciser le "g" (global), pour répéter l'expression autant de fois quelle sera rencontrée sur la ligne.
Est-ce que c'est possible de l'appliquer sur un grep de ce type
là je souhaite matcher tous les chemins de fichiers dont l'extension ne comporte que 3 caractères (pas trouvé d'autre soluce + générale, pour le cas des fichiers .html par exemple), le pb c'est justement la gourmandise de cette regexp qui va aller au bout de la ligne chercher ce .extension, et donc du coup tout foire si jamais sur la même ligne il y a
C:\chemin\fichier.exe C:\fichier.txt
càd qu'il va lister uniquement :
et non pas
Comment l'arrêter à la première occurence de ce . mais continuer sur les autres motifs ? les essais que j'ai tenté avec l'expression de jipicy couplé à l'option -m 1 s'arrêtent net dès la première occurence, impossible de lire un fichier entier
Merci
Avec l'expression "<[^>]*>" on limite la portée au 1er > rencontré, d'où la nécessité de préciser le "g" (global), pour répéter l'expression autant de fois quelle sera rencontrée sur la ligne.
Est-ce que c'est possible de l'appliquer sur un grep de ce type
Expression | grep.exe -o [a-zA-Z]:\\.*\.[a-zA-Z]\{3\}
là je souhaite matcher tous les chemins de fichiers dont l'extension ne comporte que 3 caractères (pas trouvé d'autre soluce + générale, pour le cas des fichiers .html par exemple), le pb c'est justement la gourmandise de cette regexp qui va aller au bout de la ligne chercher ce .extension, et donc du coup tout foire si jamais sur la même ligne il y a
C:\chemin\fichier.exe C:\fichier.txt
càd qu'il va lister uniquement :
C:\chemin\fichier.exe C:\fichier.txt
et non pas
C:\chemin\fichier.exe C:\fichier.txt
Comment l'arrêter à la première occurence de ce . mais continuer sur les autres motifs ? les essais que j'ai tenté avec l'expression de jipicy couplé à l'option -m 1 s'arrêtent net dès la première occurence, impossible de lire un fichier entier
Merci
Salut,
$ cat eZula C:\chemin\fichier.exe C:\fichier.txt C:\chemin\fichier.exe C:\fichier.txt $ cat eZula |grep -Eo '[a-zA-Z]:\\.*\.[a-zA-Z][a-zA-Z][a-zA-Z]' C:\chemin\fichier.exe C:\fichier.txt C:\chemin\fichier.exe C:\fichier.txt $ for i in $(cat eZula |grep -Eo '[a-zA-Z]:\\.*\.[a-zA-Z][a-zA-Z][a-zA-Z]');do echo $i;done C:\chemin\fichier.exe C:\fichier.txt C:\chemin\fichier.exe C:\fichier.txt $ cat eZula |grep -Eo '[a-zA-Z]:\\.*\.[a-zA-Z][a-zA-Z][a-zA-Z]'|sed 's/ /\n/' C:\chemin\fichier.exe C:\fichier.txt C:\chemin\fichier.exe C:\fichier.txt
