Hey ,

Ton expression régulière analyse bien une balise (même si je n'ai pas regardé les effets de bords ou cas particuliers), mais pense qu'elle peut-être dans un ensemble d'autres balises. Par exemple :

Code : Tout sélectionner

<p>J'ai <em>vraiment</em> eu du mal à mon examen de Théorie des Langages.</p>

Ici, tu vas perdre de l'information normalement.

Une expression régulière donnée dans les RFC (et autres documentations sérieuses) pour analyser et faire correspondre (pattern matching) une chaîne HTML (pas sûr que ce soit strictement réservé à l'XML car il y a des différences) est :

Code : Tout sélectionner

#([^>]+)?<([\w]+)(\s?[^>]*)(?(?<!(?:[/\s?]))>(.*?)(?:</\2>)+|>?)([^<]+)?#Ss

Exploitable avec la fonction PHP preg_match_all(). Un exemple :

// 0. captured string ;
// 1. previous tag string ;
// 2. tag ;
// 3. attributes and values ;
// 4. tag content ;
// 5. next tag string.
//               1        2        3                        4                   5
$pattern  = '#([^>]+)?<([\w]+)(\s?[^>]*)(?(?<!(?:[/\s?]))>(.*?)(?:</\2>)+|>?)([^<]+)?#Ss';
$out      = '';
if(preg_match_all($pattern, $string, $substring, PREG_SET_ORDER)) {

J'ai un tout petit peu retoucher l'expression par rapport à l'originale qui ne fait que la reconnaissance. Si on veut analyser la chaîne, on peut passer certains passages sous silence (d'où les ?:).

C'est la façon la plus fine d'exploiter une chaîne HTML. On a tous les détails possibles.

À étudier .

// 0. captured string ;
// 1. previous tag string ;
// 2. tag ;
// 3. attributes and values ;
// 4. tag content ;
// 5. next tag string.
//               1        2        3                        4                   5
$pattern  = '#([^>]+)?<([\w]+)(\s?[^>]*)(?(?<!(?:[/\s?]))>(.*?)(?:</\2>)+|>?)([^<]+)?#Ss';
$out      = '';
if(preg_match_all($pattern, $string, $substring, PREG_SET_ORDER)) {

J'ai pas regardé plus que ça mais attention toutefois si tes chaines sont au format utf-8. Le premier chapitre de ce lien http://www.phpwact.org/php/i18n/utf-8 t'en dira plus.