HTM-Dok mit PHP auseinandernehmen und in DB

**Marcusson** · 29.10.2006, 08:57

Tz, wie soll dir jemand helfen, wenn wir nicht die komplette Syntax deiner Datei haben.

Versuch es mal mit Google und "Perl regular expressions" und preg_match() bzw. preg_replace(). Der Schreiben ist einfach nur Fleißarbeit. Text auslesen und Inserts zusammenbauen. Keine spannende Aufgabe - aber ohne die Syntax und die Sonderfälle zu kennen, kann man dir keinen passenden regulären Ausdruck anbieten.

Mal 'ne grundsätzliche Frage: Wenn's nur eine einzige Datei ist und du das sowieso nur einmal brauchst, warum machtst du es dann eigentlich nicht mal fix mit dem Texteditor? Ein guter Editor beherrscht auch regular expressions

Damit kann man sich ohne zu programmieren herrliche Inserts basteln.

**ThE_-_BliZZarD** · 29.10.2006, 16:08

hmm, sagen dir 40kb was? ^^ und es sind leider mehrere solche dateien.

werde mich noch mal dran setzen, aber, wegen dem Syntax: was meinst du damit? willst du wissen wie das genau aufgebaut ist?

PHP-Code:


<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">

<html>

<head>

<meta http-equiv="Content-Type" content="text/html; charset=iso-8859-1">

<title>New document</title>

</head>

<body>

bla bla bla

<table>

<!-- Info-Tabelle beginnt hier; ACHTUNG! HINWEIS N I C H T ENTFERNEN! -->





<tr>

<td class="oben"> 26.04.2006</td>

<td> <b>Dies ist die Überschrift</b>

<br>

BLA BLA BLA BLA BLA BLA -- viel Text --

</td>

</tr>



<tr>

<td class="oben"> 27.05.2006</td>

<td> <b>Dies ist die Überschrift</b>

<br>

BLA BLA BLA BLA BLA BLA -- viel Text --

</td>

</tr>



<tr>

<td class="oben"> 16.06.2006</td>

<td> <u>Dies ist die Überschrift</u>

<br>

BLA BLA BLA BLA BLA BLA -- viel Text --

</td>

</tr>





<tr>

<td class="oben"> 14.04.2006</td>

<td> Dies ist die Überschrift

<br>

BLA BLA BLA BLA BLA BLA -- viel Text --

</td>

</tr>



<!-- Info-Tabelle endet hier; ACHTUNG! HINWEIS N I C H T ENTFERNEN! -->

</table>

</body>

</html>

**jmc** · 29.10.2006, 20:07

preg_match_all("/<td class=\"oben\">[\ ]\d{2}\.\d{2}\.\d{4}<\/td>/i",$string, $dates)
for($a=0;$a<count($dates);$a++){
$dates[$a] = preg_replace("/<td class=\"oben\">[\ ](\d{2}\.\d{2}\.\d{4})<\/td>/i","$1",$dates[$a]);
}

die anderen kannst du nach dem selben Schema machen.

ich habe kein [PHP] benutzt, da sonst die Backslashes verschwinden.

Warum benutzt du für sowas eigentlich nicht XML?

**ThE_-_BliZZarD** · 29.10.2006, 20:30

ahh, endlich jemand mit skill *freu*

naja, XML? kann ich nicht/nur unzureichend.

mal was anderes: kann mir jemand erklären, wie dieser Syntax mit preg_replace und ereg funktioniert? ich hab die Erklärung auf PHP.net nicht wirklich verstanden, kann jemand vieleicht mal erleutern wie das funktioniert?

preg_match_all("/<td class=\"oben\">[\ ]\d{2}\.\d{2}\.\d{4}<\/td>/i",$string, $dates)

Trotzdem DankE!!

**jmc** · 29.10.2006, 22:32

such unter wiki "pregexp"

**highrise** · 31.10.2006, 05:14

okay..

preg_match_all("/<td class=\"oben\">[\ ]\d{2}\.\d{2}\.\d{4}<\/td>/i",$string, $dates)

preg_match_all finde alle stellen in $string und merk sie dir in $dates (array), die wie folgt aussehen:

/ sogenannter delimiter... der sagt "hier gehts los".. , der am ende hingegen "hier ist schluss.. es folgen Modifier.. deshalb gehts nicht ohne, sonst würde das i ganz am ende falsch interpretiert.. das sagt nämlich.. scher dich einen dreck um groß- und kleinschreibung...

weiter im text..

also finde zeichenfolgen, die beginnen mit exakt:
<td class=\"oben\"> (die backslashes sind dafür da, dass er beim " nicht denkt, hier wär der sting zu ende, sondern diese als "-zeichen ansieht.. in wahrheit sucht er also <td class="oben">

jetzt kommt ne zeichenklasse... was die hier macht, weiß ich gerade nicht.. ein leerzeichen an dieser stelle hätte es auch getan *find*..
also wie auch immer.. eine zeichenklasse -> gefolgt von einem der zeichen zwischen den eckigen klammern (hier also leerzeichen, der backslash escaped das leerzeichen?? *wunder*.. ich bin verwirrt.. wer klärt mich mal auf.. ??)

gefolgt von nem leerzeichen
gefolgt von genau zwei ziffern, was vermutlich blödsinn ist... denn wir suchen ja auch tage von 1 - 9.. gefolgt von einem . (der . muss escaped werden mit \.. sonst stünde er für ein beliebiges zeichen) gefolgt von 2 ziffern gefolgt von einem punkt gefolgt von 4 ziffern gefolgt von genau <\/a>, wobei / durch \ escaped wird, weil es als delimiter verwendet wurde.

sooooo.. alle klarheiten beseitigt ;-) ???

greetz, high

**jmc** · 31.10.2006, 13:00

0 ist auch eine Dezimalzahl also \d{2} und kein Blödsinn.

Manche haben IgnorePatternWhitespace / x on als standardeinstellung --> whitespaces müssen explizit markiert werden. Die Zeichenklasse dient aus diesem Grunde der Übersicht damit klar ist was markiert ist.

**highrise** · 31.10.2006, 13:01

wundervoll.. das wollte ich wissen..

dass 0 ein decimal ist, ist klar.. aber was ist mit diesem format: 3.12.2006 (ohne führende null.. )

dan gehts nicht..

greetz, high

**jmc** · 31.10.2006, 16:31

wer beim Monat eine führende Null hat wird ja wohl diese beim Tag nicht weglassen

**highrise** · 31.10.2006, 18:04

klingt logisch.. würde ich dir zustimmen, wenn ich den programmiere kennen würde..
allerdings ist logik keine garantie.. sogesehen, ist beim monat auch noch ein fehler im regex, denn der könnte ja ebenfalls ohne führende null da stehen... sicherer ist, beide zu fangen.. und gerade mal ein paar zeichen mehr regex..

greetz, high

**jmc** · 31.10.2006, 18:10

schau mal im Beispiel

**highrise** · 31.10.2006, 18:15

wenn du jetzt wirklich aus drei einzelnen einträgen auf ein ganzes file schließen willst, dann gute nacht.. ich hae es schon sooooo oft erlebt, dass dann wie der teufel es will mal wieder einige wenige einträge sich eben nicht an das beispiel halten.. sei es, weil sie aus ner früheren version stammen oder warum auch immer..
warum denn eine mögliche situation nicht abfangen, wenn es kaum mehr aufwand bedeutet, sondern sie einfach wegdiskutieren?
sotosay müsste man streng genommen auch nur drei exakte daten prüfen, weil andere im beispiel nicht enthalten sind.. anyway...
es macht gerade mal ein paar zeichen mehr..

**ThE_-_BliZZarD** · 31.10.2006, 19:06

okay okay, wenn ihrs haben wollt^^
ich habe eigentlich alles durchgeguckt, und es war alles so, aber kann sein das ich mich irre..

habs mal angehängt.

Angehängte Dateien

tabelle.txt (51,3 KB, 10853x aufgerufen)

**highrise** · 31.10.2006, 19:09

sooo.. in dem punkt sieht es wohl so aus, dass alle einstelligen daten tatsächlich eine führende null besitzen...

habe allerdings folgende zeile gefunden:

<td class="oben">01.01.2006</td>

da fehlt das leerzeichen.. ergo müssen wir da noch einmal korrigieren, und hinter [\ ] noch ein ? setzen (einmal oder kein mal)

greetz, high

HTM-Dok mit PHP auseinandernehmen und in DB