Livres
Bash
Chapitre 11. HTML et le Web
Analyse Syntaxique du HTML

Bash:
Analyse Syntaxique du HTML

Comment faire :

Bash n’est pas l’outil de prédilection pour l’analyse du HTML, mais cela peut être réalisé avec des outils comme grep, awk, sed, ou des utilitaires externes comme lynx. Pour plus de robustesse, nous utiliserons xmllint du paquet libxml2.

# Installer xmllint si nécessaire
sudo apt-get install libxml2-utils

# Exemple de HTML
cat > sample.html <<EOF
<html>
<head>
  <title>Page Exemple</title>
</head>
<body>
  <h1>Bonjour, Bash !</h1>
  <p id="myPara">Bash peut me lire.</p>
</body>
</html>
EOF

# Analyser le Titre
title=$(xmllint --html --xpath '//title/text()' sample.html 2>/dev/null)
echo "Le titre est : $title"

# Extraire le Paragraphe par ID
para=$(xmllint --html --xpath '//*[@id="myPara"]/text()' sample.html 2>/dev/null)
echo "Le contenu du paragraphe est : $para"

Sortie :

Le titre est : Page Exemple
Le contenu du paragraphe est : Bash peut me lire.

Plongée en Profondeur

Autrefois, les programmeurs utilisaient des outils basés sur des expressions régulières comme grep pour scanner le HTML, mais c’était peu pratique. Le HTML n’est pas régulier, il est contextuel. Les outils traditionnels ne saisissent pas cela et peuvent être sujets à erreurs.

Des alternatives ? Beaucoup. Python avec Beautiful Soup, PHP avec DOMDocument, JavaScript avec des parseurs DOM—des langues avec des bibliothèques conçues pour comprendre la structure du HTML.

Utiliser xmllint dans les scripts bash est solide pour des tâches simples. Il comprend le XML, et par extension, le XHTML. Le HTML régulier peut être imprévisible, toutefois. Il ne suit pas toujours les règles strictes du XML. xmllint force le HTML dans un modèle XML, ce qui fonctionne bien pour du HTML bien formé, mais peut trébucher sur des choses désordonnées.

Voir également

Téléchargement d'une page webEnvoi d'une requête HTTP