parsingHTML.class.php

File: parsingHTML.class.php - Tab length: 1 2 4 8 - Lines: on off - No wrap: on off

<?php
/**
* Logiciel : HTML2PDF - classe ParsingHTML
*
* Convertisseur HTML => PDF, utilise fpdf de Olivier PLATHEY
* Distribuï¿½ sous la licence GPL.
*
* @author Laurent MINGUET <webmaster@spipu.net>
* @version 3.18 - 22/02/2009
*/

if (!defined('__CLASS_PARSINGHTML__'))
{
define('__CLASS_PARSINGHTML__', true);

class parsingHTML
{
var $html = ''; // code HTML ï¿½ parser
var $code = array(); // code HTML parsï¿½
var $num = 0; // numï¿½ro de table
var $level = 0; // niveaux de table

/**
* Constructeur
*
* @return null
*/
function parsingHTML()
{
$this->num = 0;
$this->level = array($this->num);
$this->html = '';
$this->code = array();
}

/**
* Dï¿½finir le code HTML ï¿½ parser
*
* @param string code html
* @return null
*/
function setHTML($html)
{
$html = preg_replace('//isU', '', $html);
$this->html = $html;
}

/**
* parser le code HTML
*
* @return null
*/
function parse()
{
$parents = array();
// rï¿½cupï¿½rer le code ï¿½ parser
$content = $this->html;

// chercher les balises HTML du code
$tmp = array();
$this->searchCode($content, $tmp);

// identifier les balises une ï¿½ une
$pre_in = false;
$pre_br = array(
'name' => 'br',
'close' => false,
'param' => array(
'style' => array(),
'num' => 0
)
);

$todos = array();
foreach($tmp as $part)
{
// si c'est un texte
if ($part[0]=='txt')
{
// enregistrer l'action correspondante
if (!$pre_in)
{
if (trim($part[1])!=='')
{
// remplacer tous les espaces, tabulations, saufs de ligne multiples par de simples espaces
$part[1] = preg_replace('/([\s]+)/is', ' ', $part[1]);

$todos[] = array(
'name' => 'write',
'close' => false,
'param' => array('txt' => $part[1]),
);
}
}
else
{
$part[1] = str_replace("\r", '', $part[1]);
$part[1] = explode("\n", $part[1]);

foreach($part[1] as $k => $txt)
{
$txt = str_replace("\t", ' ', $txt);
$txt = str_replace(' ', ' ', $txt);
if ($k>0) $todos[] = $pre_br;

$todos[] = array(
'name' => 'write',
'close' => false,
'param' => array('txt' => $txt),
);
}
}
}
// sinon, analyser le code
else
{
$res = $this->analiseCode($part[1]);
if ($res)
{
if (!in_array($res['name'], array('br', 'hr', 'img', 'input', 'link', 'option')))
{
if ($res['close'])
{
if (count($parents)<1)
HTML2PDF::makeError(3, __FILE__, __LINE__, $res['name']);
else if ($parents[count($parents)-1]!=$res['name'])
HTML2PDF::makeError(4, __FILE__, __LINE__, $parents);
else
unset($parents[count($parents)-1]);
}
else
{
$parents[count($parents)] = $res['name'];
}
}
if ($res['name']=='pre' || $res['name']=='code')
{
$pre_in = !$res['close'];
}
$todos[] = $res;
}
}
}

// pour chaque action identifiï¿½e, il faut nettoyer le dï¿½but et la fin des textes
// en fonction des balises qui l'antourent.
$nb = count($todos);
for($k=0; $k<$nb; $k++)
{
//si c'est un texte
if ($todos[$k]['name']=='write')
{
// et qu'une balise spï¿½cifique le prï¿½cï¿½de => on nettoye les espaces du dï¿½but du texte
if ($k>0 && in_array($todos[$k-1]['name'], array('table', 'tr', 'td', 'th', 'br', 'div', 'hr', 'p', 'ul', 'ol', 'li')))
$todos[$k]['param']['txt'] = preg_replace('/^([\s]*)([^\s])/isU', '$2', $todos[$k]['param']['txt']);

// et qu'une balise spï¿½cifique le suit => on nettoye les espaces de la fin du texte
if ($k<count($todos)-1 && in_array($todos[$k+1]['name'], array('table', 'tr', 'td', 'th', 'br', 'div', 'hr', 'p', 'ol', 'ul', 'li')))
$todos[$k]['param']['txt'] = preg_replace('/([^\s])([\s]*)$/isU', '$1', $todos[$k]['param']['txt']);
}
}
if (count($parents)) HTML2PDF::makeError(5, __FILE__, __LINE__, $parents);

// liste des actions sauvï¿½e
$this->code = $todos;
}

/**
* parser le code HTML
*
* @param string contenu ï¿½ parser.
* @param &array tableau de retour des donnï¿½es
* @return null
*/
function searchCode($content, &$tmp)
{
// sï¿½parer les balises du texte

// JGU : Rï¿½ï¿½criture !
$tmp = array();

// pour chaque ï¿½lï¿½ment trouvï¿½ :
$str = '';
$offset = 0;
$match_count = 0;
while(preg_match('/(<[^>]+>)|([^<]+)+/isU', $content, $matches, PREG_OFFSET_CAPTURE, $offset)) {

// Get byte offset and byte length (assuming single byte encoded)
$match_start = $matches[0][1];
$match_length = strlen($matches[0][0]);

// transforme le rï¿½sultat pour qu'il soit dans le mï¿½me ordre que l'ancien ...
$parse = array();

foreach($matches as $k => $match)
$parse[$k] = $match[0];

unset($matches); // nettoyage mï¿½moire ...

// si une balise a ï¿½tï¿½ dï¿½tectï¿½e
if ($parse[1])
{
// sauvegarde du texte prï¿½cï¿½dent si il existe
if ($str!=='') $tmp[] = array('txt',$str);

// sauvegarde de la balise
$tmp[] = array('code',trim($parse[1]));

// initialisation du texte suivant
$str = '';
}
else
{
// ajout du texte ï¿½ la fin de celui qui est dï¿½jï¿½ dï¿½tectï¿½
$str.= $parse[2];
}

// Update offset to the end of the match
$offset = $match_start + $match_length;
}
// si un texte est prï¿½sent ï¿½ la fin, on l'enregistre
if ($str!='') $tmp[] = array('txt',$str);

// </JGU>

// <OLD>
// sï¿½parer les balises du texte
/*
$tmp = array();
preg_match_all('/(<[^>]+>)|([^<]+)+/isU', $content, $parse);

// pour chaque ï¿½lï¿½ment trouvï¿½ :
$str = '';
for($k=0; $k<count($parse[0]); $k++)
{
// si une balise a ï¿½tï¿½ dï¿½tectï¿½e
if ($parse[1][$k])
{
// sauvegarde du texte prï¿½cï¿½dent si il existe
if ($str!=='') $tmp[] = array('txt',$str);

// sauvegarde de la balise
$tmp[] = array('code',trim($parse[1][$k]));

// initialisation du texte suivant
$str = '';
}
else
{
// ajout du texte ï¿½ la fin de celui qui est dï¿½jï¿½ dï¿½tectï¿½
$str.= $parse[2][$k];
}
}
// si un texte est prï¿½sent ï¿½ la fin, on l'enregistre
if ($str!='') $tmp[] = array('txt',$str); */
//</OLD>
}

/**
* analyse une balise HTML
*
* @param string code HTML ï¿½ identifier
* @return array action correspondante
*/
function analiseCode($code)
{
// nom de la balise et ouverture ou fermeture
$balise = '<([\/]{0,1})([_a-z0-9]+)([\/>\s]+)';
preg_match('/'.$balise.'/isU', $code, $match);
$close = ($match[1]=='/' ? true : false);
$name = strtolower($match[2]);

// paramï¿½tres obligatoires en fonction du nom de la balise
$param = array();
$param['style'] = '';
if ($name=='img') { $param['alt'] = ''; $param['src'] = ''; }
if ($name=='a') { $param['href'] = ''; }

// lecture des paramï¿½tres du type nom=valeur
$prop = '([a-zA-Z0-9_]+)=([^"\'\s>]+)';
preg_match_all('/'.$prop.'/is', $code, $match);
for($k=0; $k<count($match[0]); $k++)
$param[trim(strtolower($match[1][$k]))] = trim($match[2][$k]);

// lecture des paramï¿½tres du type nom="valeur"
$prop = '([a-zA-Z0-9_]+)=["]([^"]*)["]';
preg_match_all('/'.$prop.'/is', $code, $match);
for($k=0; $k<count($match[0]); $k++)
$param[trim(strtolower($match[1][$k]))] = trim($match[2][$k]);

// lecture des paramï¿½tres du type nom='valeur'
$prop = "([a-zA-Z0-9_]+)=[']([^']*)[']";
preg_match_all('/'.$prop.'/is', $code, $match);
for($k=0; $k<count($match[0]); $k++)
$param[trim(strtolower($match[1][$k]))] = trim($match[2][$k]);

// mise en conformitï¿½ en style de chaque paramï¿½tre
$color = "#000000";
$border = null;
foreach($param as $key => $val)
{
$key = strtolower($key);
switch($key)
{
case 'width':
unset($param[$key]);
$param['style'] = 'width: '.$val.'px; '.$param['style'];
break;

case 'align':
if ($name!=='table')
{
unset($param[$key]);
$param['style'] = 'text-align: '.$val.'; '.$param['style'];
}
break;

case 'valign':
unset($param[$key]);
$param['style'] = 'vertical-align: '.$val.'; '.$param['style'];
break;

case 'height':
unset($param[$key]);
$param['style'] = 'height: '.$val.'px; '.$param['style'];
break;

case 'bgcolor':
unset($param[$key]);
$param['style'] = 'background: '.$val.'; '.$param['style'];
break;

case 'bordercolor':
unset($param[$key]);
$color = $val;
break;

case 'border':
unset($param[$key]);
if (preg_match('/^[0-9]$/isU', $val)) $val = $val.'px';
$border = $val;
break;

case 'cellpadding':
case 'cellspacing':
if (preg_match('/^([0-9]+)$/isU', $val)) $param[$key] = $val.'px';
break;

case 'colspan':
case 'rowspan':
$val = preg_replace('/[^0-9]/isU', '', $val);
if (!$val) $val = 1;
$param[$key] = $val;
break;
}
}
if ($border!==null)
{
if ($border) $param['style'] = 'border: solid '.$border.' '.$color.'; '.$param['style'];
else $param['style'] = 'border: none';
}

// lecture des styles - dï¿½composition
$styles = explode(';', $param['style']);
$param['style'] = array();
foreach($styles as $style)
{
$tmp = explode(':', $style);
if (count($tmp)==2) $param['style'][trim(strtolower($tmp[0]))] = preg_replace('/[\s]+/isU', ' ', trim($tmp[1]));
}

// dï¿½termination du niveau de table pour les ouverture, avec ajout d'un level
if (in_array($name, array('ul', 'ol', 'table')) && !$close)
{
$this->num++;
$this->level[count($this->level)] = $this->num;
}

// attribution du niveau de table oï¿½ se trouve l'ï¿½lï¿½ment
if (!isset($param['num'])) $param['num'] = $this->level[count($this->level)-1];

// pour les fins de table : suppression d'un level
if (in_array($name, array('ul', 'ol', 'table')) && $close)
{
unset($this->level[count($this->level)-1]);
}

// retour de l'action identifiï¿½e
return array('name' => $name, 'close' => $close ? 1 : 0, 'param' => $param);
}

// rï¿½cupï¿½rer un niveau complet d'HTML entre une ouverture de balise et la fermeture correspondante
function getLevel($k)
{
// si le code n'existe pas : fin
if (!isset($this->code[$k])) return '';

// quelle balise faudra-t-il dï¿½tecter
$detect = $this->code[$k]['name'];

$level = 0; // niveau de profondeur
$end = false; // etat de fin de recherche
$code = ''; // code extrait

// tant que c'est pas fini, on boucle
while (!$end)
{
// action courante
$row = $this->code[$k];

// si write => on ajoute le texte
if ($row['name']=='write')
{
$code.= $row['param']['txt'];
}
// sinon, c'est une balise html
else
{
$not = false; // indicateur de non prise en compte de la balise courante

// si c'est la balise que l'on cherche
if ($row['name']==$detect)
{
if ($level==0) { $not = true; } // si on est ï¿½ la premiere balise : on l'ignore
$level+= ($row['close'] ? -1 : 1); // modification du niveau en cours en fonction de l'ouvertre / fermeture
if ($level==0) { $not = true; $end = true; } // si on est au niveau 0 : on a finit
}

// si on doit prendre en compte la balise courante
if (!$not)
{
// ecriture du code HTML de la balise
$code.= '<'.($row['close'] ? '/' : '').$row['name'];
foreach($row['param'] as $key => $val)
{
if ($key=='style')
{
$tmp = '';
if (isset($val['text-align'])) unset($val['text-align']);
foreach($val as $ks => $vs) $tmp.= $ks.':'.$vs.'; ';
$val = $tmp;
if (trim($val)) $code.= ' '.$key.'="'.$tmp.'" ';
}
else
{
$code.= ' '.$key.'="'.$val.'" ';
}
}
$code.= ' >';
}
}

// on continue tant qu'il y a du code ï¿½ analyser...
if (isset($this->code[$k+1]))
$k++;
else
$end = true;
}

// retourne la position finale et le code HTML extrait
return array($k, $code);
}
}
}
?>