Extraire des informations d'un fichier MHT

**aeMAETH** · 02/10/2009, 20h53

Bonjour,

Je voudrais aller chercher des informations dans un fichier .MHT. Le soucis, c'est qu'en tant que tel ils ne sont pas vraiment lisible avec un éditeur de texte :/
En gros, je voudrais passer de ca :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
From: 
Subject: 
Date: 
MIME-Version: 1.0
Content-Type: multipart/related;
	type="text/html";
	boundary="------NEXT_PART_TOOLSHEET"
This is a multi-part message in MIME format.
 
--------NEXT_PART_TOOLSHEET
Content-Type: text/html;
	charset="utf-8"
Content-Transfer-Encoding: base64
Content-Location: 
 
//48ACEARABPAEMAVABZAFAARQAgAEgAVABNAEwAIABQAFUAQgBMAEkAQwAgACIALQAvAC8AVwAz
AEMALwAvAEQAVABEACAASABUAE0ATAAgADQALgAwACAAVAByAGEAbgBzAGkAdABpAG8AbgBhAGwA
LwAvAEUATgAiAD4ADQAKADwASABUAE0ATAA+ADwASABFAEEARAA+AA0ACgA8AE0ARQBUAEEAIABo
AHQAdABwAC0AZQBxAHUAaQB2AD0AQwBvAG4AdABlAG4AdAAtAFQAeQBwAGUAIABjAG8AbgB0AGUA
bgB0AD0AIgB0AGUAeAB0AC8AaAB0AG0AbAA7ACAAYwBoAGEAcgBzAGUAdAA9AHUAdABmAC0AOAAi
AD4ADQAKADwATQBFAFQAQQAgAGMAbwBuAHQAZQBuAHQAPQAiAE0AUwBIAFQATQBMACAANgAuADAA
MAAuADIAOAAwADAALgAxADEAMAA2ACIAIABuAGEAbQBlAD0ARwBFAE4ARQBSAEEAVABPAFIA
(...)

A ca :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

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
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN">
<HTML><HEAD>
<META http-equiv=Content-Type content="text/html; charset=utf-8">
<META content="MSHTML 6.00.2800.1106" name=GENERATOR></HEAD>
<BODY> 
<xml id="data">
<?xml version="1.0"?>
<Toolsheet>
<DefaultDisplayOptions>
<optionSummaryPage>on</optionSummaryPage>
<optionToolpathSummary>on</optionToolpathSummary>
<optionSurfaceImages>off</optionSurfaceImages>
<MSstrategy>off</MSstrategy>
<MScuttingmode>off</MScuttingmode>
<MStoolnumber>on</MStoolnumber>
<MSmaterial>off</MSmaterial>
<MSmachinetool>off</MSmachinetool>
<MStool>off</MStool>
<MScutterdiameter>on</MScutterdiameter>
<MScornerradius>on</MScornerradius>
<MSshaftradius>off</MSshaftradius>
<MSarotation>on</MSarotation>
<MSbrotation>on</MSbrotation>
<MScrotation>on</MScrotation>
<MSflatradius>off</MSflatradius>
<MStaperangle>off</MStaperangle>
<MStipangle>off</MStipangle>
<MSflutelength>off</MSflutelength>
<MSflutediameter>off</MSflutediameter>

La tranformation présentée ici est obtenu en faisant "Show source" dans IE.

Merci d'avance !

**tchize_** · 03/10/2009, 05h01

qu'est-ce qui te bloque là dedans?

**aeMAETH** · 05/10/2009, 01h39

Et bien je sais pas comment faire pour avoir la transformation en Java. J'arrive à l'avoir en faisant un "show source" après avoir ouvert le fichier MHT dans IE, mais comment avoir ca directement dans du code Java ?

**tchize_** · 05/10/2009, 02h51

Qu'est-ce qui te bloque. Lire le fichier? Localiser la zone qui t'intéresse dedans? Convertir le base64?

**aeMAETH** · 05/10/2009, 03h07

Lire le fichier, je ferais comme pour un fichier texte.
Localiser la bonne aprtie : lecture ligne par ligne + regexp.
C'est donc la conversion base64 qui bloque si je me fie à tes propositions. C'est ca qui permet de convertir les "BGUIEOCCMEIOCE" en "<html>...<...>" ?

En tout cas, merci pour ta patience

**tchize_** · 05/10/2009, 11h33

soit tu applique à la mainh l'algorithme simple de décodage [ame="http://fr.wikipedia.org/wiki/Base64"]base64[/ame], soit tu utilise une librairie externe, comme par exemple commons codec de jakarta, qui possède un codec base64.

**aeMAETH** · 05/10/2009, 13h50

Merci beaucoup !

**aeMAETH** · 05/10/2009, 15h20

Juste un petit soucis sur le décodage : dois je le faire ligne par ligne ? Parce que pour le moment je met tout dans une String et je lance un Decode là dessus. Et évidemment, ca ne marche pas :/

**tchize_** · 05/10/2009, 15h38

tu dois décoder tout le bloc base64 d'un coup ou alors travailler 4 caractères encodés par quatre caractère encode (cf l'algorithme)

**aeMAETH** · 05/10/2009, 16h30

Pour les tests, je n'ai laissé dans le fichier MHT que le bloc Base64.

Je le traite de la manière suivante :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
 
String filePath = "N:\\X_system\\5030220.mht";
 
Scanner scanner=new Scanner(new File(filePath));
String tempString = "";
while (scanner.hasNextLine()) {
         tempString += new String(scanner.nextLine());
}
scanner.close();
 
byte[] array = Base64.decodeBase64(tempString);
String buffer1 = new String(array);
System.out.println(buffer1);

Mon soucis appremment est que lors de la lecture de la ligne, le "cast" implicite en String fait que mon information est "dénaturée". Il ne peut plus décoder...

**tchize_** · 05/10/2009, 19h37

Envoyé par aeMAETH

Mon soucis appremment est que lors de la lecture de la ligne, le "cast" implicite en String fait que mon information est "dénaturée". Il ne peut plus décoder...

Quelle erreur as-tu? As-tu remarqué au passage que le binaire de ton fichier encodé en base64 dans ton exemple est de l'utf-16 (contrairement à ce que dit l'entete), ce qui fait que tu devra le lire comme ceci:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
 
String buffer1 = new String(array,"UTF-16");
System.out.println(buffer1);

PS:
tes new String() dans la boucle ne servent à rien et elle peut avantageusement être remplacée par ce code plus performant

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
 
StringBuffer tempString = new StringBuffer();
while (scanner.hasNextLine()) {
         tempString.append(scanner.nextLine());
}
scanner.close();
 
byte[] array = Base64.decodeBase64(tempString.toString());

**aeMAETH** · 05/10/2009, 20h06

Je n'avais pas d'erreurs, la sortie était tout simplement illisible.
Question : comment savoir quel encodage est utilisé ? (je m'était fié à l'entête moi... une machine ca ne ment pas pourtant ;') )

En tout cas je te remercie vraiment beaucoup !

**tchize_** · 05/10/2009, 20h43

si tu décode de l'utf-16 avec de l'utf-8, tu va avoir un caractère sur deux correct dans la zone ASCII avec entre deux un caractère illisible, le bordel dans le reste

Il existe des algorithmes pour détecter l'encodage, mais je les connais pas. Des librairies comme ICU spécialisées dans la gestion de caractère uniconde ont ce genre d'algorithme implémentés:

http://userguide.icu-project.org/conversion/detection

Extraire des informations d'un fichier MHT

Entrée/Sortie Java

Discussions similaires

Partager

Partager