Reprise du message précédent :

Le 06 juillet 2005 - 10 h 53, Erel69 a écrit : Le 06 juillet 2005 - 10 h 27, cutterman a écrit : Problème : les fichiers htm et doc... comment zapper tout ce qui est balises ? Java n'a pas une fonction du genre de strip_tags en php ?

hé, on va pas mélanger java et php (c'est comme torchon/serviette) !
non, non, y'a javax.xml.parsers avec xerces qui font ça extrèmement bien !

Oui, sauf que SAXParser fourni avec javax.xml.parsers lit mal les HTML (expérience inside) pour une simple et bonne raison : ils sont mal formés (ce ne sont pas des XHTML).

Autrement dit, le Parser se plante joyeusement sur les balises <p> par exemple (puisque non fermées)

Pour le HTML, j'envisage plutot (ca marche mieux, mais pas top) javax.swing.text.html.parser.Parser qui lui, a plus l'habitude de gérer du HTML pas clair...
Et bien évidemment, pas besoin d'une GUI pour l'utiliser...

Non, le problème est plutot du coté des PDF et des DOC, pour en extraire le contenu utile...
J'envisage pour PDF de faire appel à PDFToText mais je perds la portabilité... Y a pas une API Java pour lire le contenu d'un PDF ?

Et pareil pour les Word...

ben c'est pas que l'API les lit mal, s'ils sont mal foutus !
à ceux qui écrivent avec leurs pieds

EDIT : pour lire les pdf en java, regarde ici si tu trouves ton bonheur...

Pour word, c'est un peu plus chaud, puisque le format MS n'est pas public (mais pourtant Open Office y arrive, lui)

EDIT2 : faut-y que je vous aime, cutter et toi ! et voila un autre lien intéressant

Le 06 juillet 2005 - 13 h 14, bernie38 a écrit : ben c'est pas que l'API les lit mal, s'ils sont mal foutus ! à ceux qui écrivent avec leurs pieds

Heu, mon Bebert, tu confonds HTML et XHTML

Le HTML n'est pas du XML, donc on ne peut pas raisonnablement utiliser un parser XML
Et pourtant, il peut être très bien écrit, c'est juste une caractéristique intrinsèque au langage (j'ai cité l'exemple du tag <p>)

EDIT : pour lire les pdf en java, regarde ici si tu trouves ton bonheur... Pour word, c'est un peu plus chaud, puisque le format MS n'est pas public (mais pourtant Open Office y arrive, lui) EDIT2 : faut-y que je vous aime, cutter et toi ! et voila un autre lien intéressant

Je vais jeter un coup d'oeil

Gégé si tu m'entends, m'oublie pas hein

Ah ouais, c'est vrai

Bon, je vais regarder ça ce soir

Tu penses même pas à moi

Tout ça parce que je ne suis plus là pour payer de mon corps

Le 11 juillet 2005 - 13 h 56, cutterman a écrit : Tout ça parce que je ne suis plus là pour payer de mon corps

Bah voilà, tu as tout compris

http://schmidt.devlib.org/java/libraries-pdf.html
jsavais pas que adobe fournissais un JavaBean ca peut etre interessant...

Je fais remonter le topic pour vous faire part du feedback PDF :
J'ai testé plusieures librairies :
- Adobe Acrobat JavaBean : bof, mal documenté, et je ne suis pas arrivé à compiler mon programme pour cause de classpath...
- PJX : intéressant, mais trop compliqué pour mes besoins (nécéssité de connaître la structure du PDF)
- PDFBox : celui que j'ai utilisé. Simple d'utilisation et bons résultats. Seul défaut : un peu gros à mon goût (2 Mo quand même !)

Relatif à MS Word, regardez ce que j'ai trouvé :
http://jakarta.apache.org/poi/index.html

Je teste ça ce soir !