Aller au contenu

Comment supprimer le balisage HTML d'un texte avec Google Sheets ?

Antoine Brisset
Antoine Brisset
Temps de lecture : 2 min
Comment supprimer le balisage HTML d'un texte avec Google Sheets ?
Photo by Markus Spiske / Unsplash

Table des matières

Imagine : tu viens de scraper des blocs entiers de code HTML et tu dois en extraire le contenu texte.

Comment tu t'y prendrais pour supprimer automatiquement les balises et conserver uniquement le texte ?

J'ai souvent été confronté à ce problème, alors je te montre comment faire dans Google Sheets.

Étape 1 : trouver la bonne regex

Pour nettoyer ce code HTML, il faut d'abord trouver la regex qui va cibler tous les tags HTML présents.

L'expression régulière suivante devrait faire l'affaire : <[^>]+>

Explications :

  • la chaîne doit commencer par un chevron ouvrant <
  • suivi de n'importe quel caractère sauf un chevron fermant [^>], répété une ou plusieurs fois (+)
  • suivi d'un chevron fermant >

Problème : si le HTML contient des balises script, noscript, ou style, elles vont certes être supprimées, mais pas leur contenu.

Du coup, je vais affiner un peu mon expression régulière.

La voici : <((no)?script|style)[^<]+<\/((no)?script|style)>|<[^>]+>

Explications :

  • la chaîne doit commencer par un chevron ouvrant <
  • suivi d'une balise script, noscript, ou style : ((no)?script|style)
  • suivi de n'importe quel caractère, sauf un chevron ouvrant, répété une ou plusieurs fois [^<]+
  • suivi d'un chevron ouvrant et d'un slash <\/
  • suivi de noscript, script ou style ((no)?script|style)
  • ...ou alors la chaîne doit matcher la première regex citée <[^>]+>
Vérification dans Rubular ✓

Étape 2 : rechercher/remplacer dans Google Sheets

Maintenant que j'ai trouvé la regex, direction Google Sheets.

Je vais utiliser la fonction REGEXREPLACE, en lui passant en arguments :

  • le texte à remplacer
  • l'expression régulière
  • la chaîne de remplacement (chaîne vide)

Ce qui donne :

=REGEXREPLACE(A2;"<((no)?script|style)[^<]+<\/((no)?script|style)>|<[^>]+>";"")
Suppression des balises HTML

Problème : les retours à la ligne dans le code sont présents aussi dans le texte de sortie.

Je vais donc utiliser à nouveau la fonction REGEXREPLACE pour m'en débarrasser (je les remplace par un seul et unique retour à la ligne avec CHAR(10)).

J'utilise également TRIM pour supprimer les espaces au début et à la fin.

=TRIM(REGEXREPLACE(REGEXREPLACE(D11;"<((no)?script|style)[^<]+<\/((no)?script|style)>|<[^>]+>";"");"\n+";CHAR(10)))
Suppression des balises HTML + retours à la ligne

Et voilà !

Google Sheets

Antoine Brisset Twitter

Consultant SEO depuis 2010. Je traque les clics inutiles et automatise les tâches répétitives pour gagner du temps dans mon quotidien de travailleur du web.

Commentaires


Articles Similaires

Membres Public

Comment tirer tout le potentiel des fonctions d'importation de Google Sheets ?

Il y a quelques semaines mois, j'ai fait un thread Twitter sur les fonctions d'importation de Google Sheets. Si tu es passé à côté, je te propose une petite séance de rattrapage, avec en bonus des informations complémentaires. Présentation Google propose 5 fonctions pour importer des données : * IMPORTXML : pour extraire

Comment tirer tout le potentiel des fonctions d'importation de Google Sheets ?
Membres Public

Comment partager facilement et rapidement un rapport Search Console ?

Toi aussi, parfois on te demande d'envoyer rapidement quelques chiffres Search Console pour compléter une présentation ou finaliser un reporting ? Plutôt que d'envoyer une capture d'écran un peu moche ou de te lancer dans la création d'un Data Studio Looker Studio, je vais te montrer comment créer un joli petit

Comment partager facilement et rapidement un rapport Search Console ?
Membres Public

Comment vérifier si une IP correspond à Googlebot dans Google Sheets ?

Si tu as déjà fait de l'analyse de logs, tu sais qu'un simple filtre sur le user agent Googlebot ne suffit pas à valider que le crawl provient bien d'un "véritable" Googlebot. Il faut procéder à une deuxième vérification, qui peut se faire de deux manières : * via un reverse DNS

Comment vérifier si une IP correspond à Googlebot dans Google Sheets ?