-
Notifications
You must be signed in to change notification settings - Fork 4
/
ParseurHTML.java
516 lines (449 loc) · 20.8 KB
/
ParseurHTML.java
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
/*
* Copyright 2015, 2016 Anael Mobilia
*
* This file is part of NextINpact-Unofficial.
*
* NextINpact-Unofficial is free software: you can redistribute it and/or modify
* it under the terms of the GNU General Public License as published by
* the Free Software Foundation, either version 3 of the License, or
* (at your option) any later version.
*
* NextINpact-Unofficial is distributed in the hope that it will be useful,
* but WITHOUT ANY WARRANTY; without even the implied warranty of
* MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
* GNU General Public License for more details.
*
* You should have received a copy of the GNU General Public License
* along with NextINpact-Unofficial. If not, see <http://www.gnu.org/licenses/>
*/
package com.pcinpact.parseur;
import android.util.Log;
import com.pcinpact.R;
import com.pcinpact.items.ArticleItem;
import com.pcinpact.items.CommentaireItem;
import com.pcinpact.utils.Constantes;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.parser.Tag;
import org.jsoup.select.Elements;
import java.text.DateFormat;
import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.ArrayList;
import java.util.HashSet;
import java.util.TimeZone;
/**
* Parseur du code HTML.
*
* @author Anael
*/
public class ParseurHTML {
/**
* Parse la liste des articles.
*
* @param unContenu contenu HTML brut
* @param urlPage URL de la page
* @return liste d'articleItem
*/
public static ArrayList<ArticleItem> getListeArticles(final String unContenu, final String urlPage) {
ArrayList<ArticleItem> mesArticlesItem = new ArrayList<>();
// Lancement du parseur sur la page
Document pageNXI = Jsoup.parse(unContenu, urlPage);
// Les articles
Elements lesArticles = pageNXI.select("article[data-acturowid][data-datepubli]");
ArticleItem monArticleItem;
// Pour chaque article
for (Element unArticle : lesArticles) {
monArticleItem = new ArticleItem();
// ID de l'article
monArticleItem.setId(Integer.valueOf(unArticle.attr("data-acturowid")));
// Date de publication de l'article
String laDate = unArticle.attr("data-datepubli");
monArticleItem.setTimeStampPublication(convertToTimeStamp(laDate, Constantes.FORMAT_DATE_ARTICLE));
// URL de l'illustration
Element image = unArticle.select("img[class=ded-image]").get(0);
monArticleItem.setUrlIllustration(image.absUrl("data-frz-src"));
// URL de l'article
Element url = unArticle.select("h1 > a[href]").get(0);
monArticleItem.setUrl(url.absUrl("href"));
// Titre de l'article (liée à l'URL)
monArticleItem.setTitre(url.text());
// Sous titre
Element sousTitre = unArticle.select("span[class=soustitre]").get(0);
// Je supprime le "- " en début du sous titre
String monSousTitre = sousTitre.text().substring(2);
monArticleItem.setSousTitre(monSousTitre);
// Nombre de commentaires
Element commentaires = unArticle.select("span[class=nbcomment]").get(0);
try {
monArticleItem.setNbCommentaires(Integer.valueOf(commentaires.text()));
} catch (NumberFormatException e) {
// Nouveaux commentaires : "172 + 5"
String valeur = commentaires.text();
// Récupération des éléments
int positionOperateur = valeur.indexOf("+");
String membreGauche = valeur.substring(0, positionOperateur).trim();
String membreDroit = valeur.substring(positionOperateur + 1).trim();
// On additionne
int total = Integer.valueOf(membreGauche) + Integer.valueOf(membreDroit);
// Et on renvoit !
monArticleItem.setNbCommentaires(total);
// DEBUG
if (Constantes.DEBUG) {
Log.w("ParseurHTML", "getListeArticles() - Nombre de commentaires : " + valeur + " => " + total);
}
}
// Statut abonné
Elements badgeAbonne = unArticle.select("img[alt=badge_abonne]");
// Ai-je trouvé des éléments ?
if (badgeAbonne.size() > 0) {
monArticleItem.setAbonne(true);
// DEBUG
if (Constantes.DEBUG) {
Log.w("ParseurHTML", "getListeArticles() - [abonné] => " + monArticleItem.getTitre());
}
} else {
monArticleItem.setAbonne(false);
}
// Et je le stocke
mesArticlesItem.add(monArticleItem);
}
return mesArticlesItem;
}
/**
* Parse le contenu d'un article.
*
* @param unContenu contenu HTML brut
* @param urlPage URL de la page
* @return ArticleItem
*/
public static ArticleItem getArticle(final String unContenu, final String urlPage) {
ArticleItem monArticleItem = new ArticleItem();
// Lancement du parseur sur la page
Document pageNXI = Jsoup.parse(unContenu, urlPage);
// L'article
Elements lArticle = pageNXI.select("article");
// L'ID de l'article
Element articleID = pageNXI.select("div[class=actu_content][data-id]").get(0);
int unID = Integer.valueOf(articleID.attr("data-id"));
monArticleItem.setId(unID);
// Suppression des éléments non requis
try {
// Image article
Element monElement = pageNXI.select("article > section").get(0);
monElement.remove();
// Légende image article
monElement = pageNXI.select("article > div[class=thumb-cat-container]").get(0);
monElement.remove();
// Temps de lecture
monElement = pageNXI.select("div[class=read-time]").get(0);
monElement.remove();
// Image auteur
monElement = pageNXI.select("div[class=infos-article] > div > img").get(0);
monElement.remove();
} catch (Exception e) {
// DEBUG
if (Constantes.DEBUG) {
Log.e("ParseurHTML", "getArticle() - Nettoyage article", e);
}
}
// Suppression des liens sur les images (zoom, avec dl)
Elements lesImagesLiens = lArticle.select("a[href] > img");
// Set assure l'unicité de la balise (ex : <a...> <img... /> <img... /> </a>)
HashSet<Element> baliseA = new HashSet<>();
// Récupération de toutes les balises <a...> avant <img...>
for (Element uneImage : lesImagesLiens) {
// J'enregistre le lien <a...>
baliseA.add(uneImage.parent());
}
// Pour chaque balise <a...>
for (Element uneBalise : baliseA) {
// On prend chacun de ses enfants
for (Element unEnfant : uneBalise.children()) {
// Et on l'injecte après la balise <a...>
uneBalise.after(unEnfant);
}
// On supprime la balise <a...>
uneBalise.remove();
}
// Gestion des iframe
Elements lesIframes = lArticle.select("iframe");
// généralisation de l'URL en dehors du scheme
String[] schemes = { "https://", "http://", "//" };
// Pour chaque iframe
for (Element uneIframe : lesIframes) {
// URL du lecteur
String urlLecteur = uneIframe.attr("src");
for (String unScheme : schemes) {
if (urlLecteur.startsWith(unScheme)) {
// Suppression du scheme
urlLecteur = urlLecteur.substring(unScheme.length());
// DEBUG
if (Constantes.DEBUG) {
Log.w("ParseurHTML", "getArticle() - Iframe : utilisation du scheme " + unScheme + " => " + urlLecteur);
}
}
}
// ID de la vidéo
String idVideo = urlLecteur.substring(urlLecteur.lastIndexOf("/") + 1).split("\\?")[0].split("#")[0];
// Ma substitution
Element monRemplacement = new Element(Tag.valueOf("div"), "");
// Gestion des lecteurs vidéos
if (urlLecteur.startsWith("www.youtube.com/embed/videoseries")) {
/**
* Liste de lecture Youtube
*/
// Recalcul de l'ID de la vidéo (cas particulier)
idVideo = urlLecteur.substring(urlLecteur.lastIndexOf("list=") + "list=".length()).split("\\?")[0].split("#")[0];
monRemplacement.html("<a href=\"http://www.youtube.com/playlist?list=" + idVideo + "\"><img src=\"" +
Constantes.SCHEME_IFRAME_DRAWABLE + R.drawable.iframe_liste_youtube + "\" /></a>");
} else if (urlLecteur.startsWith("www.youtube.com/embed/") || urlLecteur.startsWith(
"www.youtube-nocookie.com/embed/")) {
/**
* Youtube
*/
monRemplacement.html("<a href=\"http://www.youtube.com/watch?v=" + idVideo + "\"><img src=\""
+ Constantes.SCHEME_IFRAME_DRAWABLE + R.drawable.iframe_youtube + "\" /></a>");
} else if (urlLecteur.startsWith("www.dailymotion.com/embed/video/")) {
/**
* Dailymotion
*/
monRemplacement.html("<a href=\"http://www.dailymotion.com/video/" + idVideo + "\"><img src=\""
+ Constantes.SCHEME_IFRAME_DRAWABLE + R.drawable.iframe_dailymotion + "\" /></a>");
} else if (urlLecteur.startsWith("player.vimeo.com/video/")) {
/**
* VIMEO
*/
monRemplacement.html(
"<a href=\"http://www.vimeo.com/" + idVideo + "\"><img src=\"" + Constantes.SCHEME_IFRAME_DRAWABLE
+ R.drawable.iframe_vimeo + "\" /></a>");
} else if (urlLecteur.startsWith("static.videos.gouv.fr/player/video/")) {
/**
* Videos.gouv.fr
*/
monRemplacement.html("<a href=\"http://static.videos.gouv.fr/player/video/" + idVideo + "\"><img src=\""
+ Constantes.SCHEME_IFRAME_DRAWABLE + R.drawable.iframe_videos_gouv_fr + "\" /></a>");
} else if (urlLecteur.startsWith("vid.me")) {
/**
* Vidme
*/
monRemplacement.html("<a href=\"https://vid.me/" + idVideo + "\"><img src=\"" + Constantes.SCHEME_IFRAME_DRAWABLE
+ R.drawable.iframe_vidme + "\" /></a>");
} else if (urlLecteur.startsWith("w.soundcloud.com/player/")) {
/**
* Soundcloud (l'URL commence bien par w.soundcloud !)
*/
monRemplacement.html("<a href=\"" + urlLecteur + "\"><img src=\"" + Constantes.SCHEME_IFRAME_DRAWABLE
+ R.drawable.iframe_soundcloud + "\" /></a>");
} else if (urlLecteur.startsWith("www.scribd.com/embeds/")) {
/**
* Scribd
*/
monRemplacement.html("<a href=\"" + urlLecteur + "\"><img src=\"" + Constantes.SCHEME_IFRAME_DRAWABLE
+ R.drawable.iframe_scribd + "\" /></a>");
} else if (urlLecteur.startsWith("player.canalplus.fr/embed/")) {
/**
* Canal+
*/
monRemplacement.html("<a href=\"" + urlLecteur + "\"><img " + "src=\"" + Constantes.SCHEME_IFRAME_DRAWABLE
+ R.drawable.iframe_canalplus + "\" /></a>");
} else if (urlLecteur.startsWith("www.arte.tv/")) {
/**
* Arte
*/
monRemplacement.html("<a href=\"" + urlLecteur + "\"><img " + "src=\"" + Constantes.SCHEME_IFRAME_DRAWABLE
+ R.drawable.iframe_arte + "\" /></a>");
} else {
/**
* Déchet (catch all)
*/
monRemplacement.html(
"<a href=\"" + uneIframe.absUrl("src") + "\"><img " + "src=\"" + Constantes.SCHEME_IFRAME_DRAWABLE
+ R.drawable.iframe_non_supportee + "\" /></a>");
// DEBUG
if (Constantes.DEBUG) {
Log.e("ParseurHTML",
"getArticle() - Iframe non gérée dans " + monArticleItem.getId() + " : " + uneIframe.absUrl("src"));
}
}
// Je remplace l'iframe par mon contenu
uneIframe.replaceWith(monRemplacement);
// DEBUG
if (Constantes.DEBUG) {
Log.i("ParseurHTML", "Remplacement par une iframe : " + monRemplacement.html());
}
}
// Gestion des URL relatives des liens
Elements lesLiens = lArticle.select("a[href]");
// Pour chaque lien
for (Element unLien : lesLiens) {
// Assignation de son URL absolue
unLien.attr("href", unLien.absUrl("href"));
}
// Gestion des URL relatives des images
Elements lesImages = lArticle.select("img[src]");
// Pour chaque image
for (Element uneImage : lesImages) {
// Assignation de son URL absolue
uneImage.attr("src", uneImage.absUrl("src"));
}
// J'enregistre le contenu
monArticleItem.setContenu(lArticle.toString());
return monArticleItem;
}
/**
* Nombre de commentaires d'un article à partir d'une page de commentaires.
*
* @param unContenu contenu HTML brut
* @param urlPage URL de la page
* @return nb de commentaires de l'article
*/
public static int getNbCommentaires(final String unContenu, final String urlPage) {
// Lancement du parseur sur la page
Document pageNXI = Jsoup.parse(unContenu, urlPage);
// Nombre de commentaires
Element elementNbComms = pageNXI.select("span[class=actu_separator_comms]").get(0);
// Représentation textuelle "nn commentaires"
String stringNbComms = elementNbComms.text();
// Isolation du chiffre uniquement (avant l'espace)
int positionEspace = stringNbComms.indexOf(" ");
String valeur = stringNbComms.substring(0, positionEspace).trim();
// Parsage de la valeur
int nbComms = Integer.valueOf(valeur);
// DEBUG
if (Constantes.DEBUG) {
Log.i("ParseurHTML", "getNbCommentaires() - " + nbComms);
}
return nbComms;
}
/**
* Parse les commentaires.
*
* @param unContenu contenu HTML brut
* @param urlPage URL de la page
* @return liste de CommentaireItem
*/
public static ArrayList<CommentaireItem> getCommentaires(final String unContenu, final String urlPage) {
// mon retour
ArrayList<CommentaireItem> mesCommentairesItem = new ArrayList<>();
// Calcul du numéro de page
int numeroPage = Integer.valueOf(
urlPage.substring(urlPage.indexOf("&") + Constantes.NEXT_INPACT_URL_COMMENTAIRES_PARAM_NUM_PAGE.length() + 2));
// Lancement du parseur sur la page
Document pageNXI = Jsoup.parse(unContenu, urlPage);
// ID de l'article concerné
Element refArticle = pageNXI.select("aside[data-relnews]").get(0);
int idArticle = Integer.valueOf(refArticle.attr("data-relnews"));
// Les commentaires
// Passage par une regexp => https://github.com/jhy/jsoup/issues/521
Elements lesCommentaires = pageNXI.select("div[class~=actu_comm ],div[class~=actu_comm_author]");
// Contenu
// Supprimer les liens internes (<a> => <div>)
// "En réponse à ...", "... à écrit"
Elements lesLiensInternes = lesCommentaires.select("a[class=link_reply_to], div[class=quote_bloc]>div[class=qname]>a");
lesLiensInternes.tagName("div");
// Blockquote
Elements lesCitations = lesCommentaires.select("div[class=link_reply_to], div[class=quote_bloc]");
lesCitations.tagName("blockquote");
// Gestion des URL relatives
Elements lesLiens = lesCommentaires.select("a[href]");
// Pour chaque lien
for (Element unLien : lesLiens) {
// Assignation de son URL absolue
unLien.attr("href", unLien.absUrl("href"));
}
// Calcul de l'indice du premier commentaire (gestion des commentaires supprimés)
int idCommPrecedent = (numeroPage - 1) * Constantes.NB_COMMENTAIRES_PAR_PAGE;
int uuidCommPrecedent = 0;
CommentaireItem monCommentaireItem;
// Pour chaque commentaire
for (Element unCommentaire : lesCommentaires) {
monCommentaireItem = new CommentaireItem();
// ID de l'article
monCommentaireItem.setArticleId(idArticle);
// UUID du commentaire
int monUUID;
try {
monUUID = Integer.valueOf(unCommentaire.attr("data-content-id"));
} catch (NumberFormatException e) {
// Commentaire supprimé : UUID précédent + 1
monUUID = uuidCommPrecedent + 1;
}
// Mise à jour de l'indice stocké
uuidCommPrecedent = monUUID;
// Enregistrement de l'UUID
monCommentaireItem.setUuid(monUUID);
// Auteur
Elements monAuteur = unCommentaire.select("span[class=author_name]");
if (!monAuteur.isEmpty()) {
monCommentaireItem.setAuteur(monAuteur.get(0).text());
} else {
// Gestion des commentaires supprimés
monCommentaireItem.setAuteur("-");
}
// Date
Elements maDate = unCommentaire.select("span[class=date_comm]");
if (!maDate.isEmpty()) {
String laDate = maDate.get(0).text();
monCommentaireItem.setTimeStampPublication(convertToTimeStamp(laDate, Constantes.FORMAT_DATE_COMMENTAIRE));
} else {
// Gestion des commentaires supprimés
monCommentaireItem.setTimeStampPublication(0);
}
// Id du commentaire
Elements monID = unCommentaire.select("span[class=actu_comm_num]");
if (!monID.isEmpty()) {
// Le premier caractère est un "#"
String lID = monID.get(0).text().substring(1);
monCommentaireItem.setId(Integer.valueOf(lID));
// MàJ du numéro du dernier commentaire
idCommPrecedent = Integer.valueOf(lID);
} else {
// Gestion des commentaires supprimés
monCommentaireItem.setId(idCommPrecedent + 1);
// MàJ du numéro du dernier commentaire
idCommPrecedent++;
}
// Contenu
Elements monContenu = unCommentaire.select("div[class=actu_comm_content]");
if (!monContenu.isEmpty()) {
monCommentaireItem.setCommentaire(monContenu.get(0).toString());
} else {
// Gestion des commentaires supprimés - Récupération de la chaîne du détail de modération
monContenu = unCommentaire.select("div[class~=actu_comm_author]");
if (!monContenu.isEmpty()) {
monCommentaireItem.setCommentaire(monContenu.get(0).toString());
} else {
// Gestion de l'erreur de récupération de la modération (en cas de modif du code html évite une
// exception... !)
monCommentaireItem.setCommentaire("--- Erreur ---");
}
}
// Et je le stocke
mesCommentairesItem.add(monCommentaireItem);
}
return mesCommentairesItem;
}
/**
* Convertit une date texte en timestamp.
*
* @param uneDate date au format textuel
* @param unFormatDate format de la date
* @return timestamp
*/
private static long convertToTimeStamp(final String uneDate, final String unFormatDate) {
DateFormat dfm = new SimpleDateFormat(unFormatDate, Constantes.LOCALE);
dfm.setTimeZone(TimeZone.getTimeZone("Europe/Paris"));
long laDateTS = 0;
try {
// Récupération du timestamp
laDateTS = dfm.parse(uneDate).getTime();
} catch (ParseException e) {
if (Constantes.DEBUG) {
Log.e("ParseurHTML", "convertToTimeStamp() - erreur parsage date : " + uneDate, e);
}
}
return laDateTS;
}
}