Bonjour à tous.  

Je traite actuellement des (vieux) fichiers HTML "non conformes" aux standards. Je les nettoie avec tidy pour qu'il respecte la dtd transitional de XHTML. Seulement tidy ne nettoie pas tout, en particulier il laisse des balises NOSCRIPT imbriquées dans des SPAN, du coup les fichiers XHTML produits ne sont pas valides.

Je souhaite donc faire un prétraitement afin de supprimer ces balises NOSCRIPT, à savoir simplement supprimer ces balises et ce qu'elles contiennent, avant de fournir les fichiers à tidy. Pour l'instant, j'ai une solution provisoire qui ne me satisfait pas, avec sed :

La directive précédente permet de virer toutes les balises NOSCRIPT et ce qu'elles contiennent du fichier (je ne sais pas si ça marche sur plusieurs lignes ou si c'est réduit à une seule ligne), même celles qui sont valides, c'est-à-dire pas forcément dans la portée d'un SPAN.

En résumé, de ça :

je veux obtenir ça :

Je ne sais pas si c'est faisable avec sed (je lis partout que c'est puissant, l'occasion de le prouver ), mais ça m'arrangerait vu que j'intègre ce prétraitement avec d'autre commandes sed dans un fichier de directives.

Merci de votre aide.

Bon dimanche.

Bonsoir,
 
Je n'ai pas décortiqué la réponse, mais je crois que la réponse est ici :
http://linuxfr.org/forums/26/7199.html
 
vw.

Merci de ta réponse.
 

 
Ça n'a pas l'air de fonctionner.
Je ne vois pas non plus comment sélectionne les <NOSCRIPT> seulement s'ils sont imbriqués dans un <SPAN>.

Hello,
 
sans avoir testé je suis pas sur que sed fasse l'affaire, il serai peut être mieux de passer par un script (perl par ex.) afin de récuperer, via regexp, les balises span puis noscript.

Tu trouveras de bons indices ici : Pattern matching across several lines  
http://www.cs.utk.edu/~vose/c-stuff/sed_tutorial.html
 
Mais c'est sur que ce serait sans doute plus propre en perl comme le dit sub1.
 
vw

moi voila ce que je ferai  
-> j'enleverai les newlines en carractère par exemple XXX ,  
-> je fais mes changements  
-> puis reremplace XXX par un newline.
 
J'utilise plus particulièrement vim et pour le 1°  je tape ceci :%s/\n/ XXX /

je connais pas sed, mais voici un début de solution en perl :

 
N'hésite pas à demander si tu veux des explications sur la regexp ou le reste du script.
 
Il y a plein de choses à améliorer, mais c'est sans doute un début... En particulier, il y a peut-être dans la regexp des motifs trop gloutons qui peuvent poser problème.

Pour les cas pathologiques (genre deux NOSCRIPT imbriqués dans le même SPAN), je  vois pas comment faire plus joliement qu'en réappliquant plusieurs fois la regexp.
 

Merci pour vos propositions, je vais regarder ça de plus près

c'est un peu HS, mais t'es tu penché sur l'extension python BeautifulSoup qui permet de faire plein de truc avec du html et notamment de retirer des éléments particuliers ?
http://www.crummy.com/software/Bea [...] 20elements

Finalement j'ai retenu le script de francesco et intégré à mon script global
 
Pour sed, la question reste ouverte.

 
C'est vrai qu'on a aussi une partie de python dans notre traitement, mais ce n'est du tout pas moi qui m'en occupe .
Cela dit, je vais mettre ce lien de côté, ça pourrait servir vu qu'on aura pas mal de prétraitement à faire sur XML/XHTML.