C#正則表達式匹配HTML中的圖片路徑

2019-11-17 02:52:05

字體：大中小

來源：轉載

供稿：網友

C#正則表達式匹配HTML中的圖片路徑

最近的項目中有個關于網頁取圖的功能需要我自己開發，那就是用正則表達式來匹配圖片標簽。

一般來說一個 HTML 文檔有很多標簽，比如“<html>”、“<body>”、“<table>”等，想把文檔中的img 標簽提取出來并不是一件容易的事。由于img 標簽樣式變化多端，使提取的時候用程序尋找并不容易。于是想要尋找它們就必須寫一個非常健全的正則表達式，不然有可能會找得不全，或者找出來的不是正確的img 標簽。

我們可以從 HTML 標簽的格式去想應該怎么建這個正則表達式。首先要想一下img 標簽有幾種寫法，忽略大小寫不看的話，下面列出img 標簽可能出現的幾種情況。

這一些標簽不用考慮，因為沒有圖片資源地址。

<imgsrc= /images/pic.jpg/ > <imgsrc=" /images/pic.jpg" > <imgsrc= '/images/pic.jpg ' / >

這一些標簽都有圖片資源地址，另外還有一個特點就是有引號對，可能為單引號，也可能為雙引號。因為不需要同時匹配引號對，所以正則表達式可以這么寫：@"<img/s*src/s*=/s*[""']?/s*(?[^/s""'<>]*)/s*/?/s*>"

<imgwidth="320"height="240"src=/images/pic.jpgonclick="window.open('/images/pic.jpg')">

因為 img 和 src 之間可能會有其他的參數，所以“<img”要有個單詞結束，比如說不能是“<imgabc”，同樣 src 前面也是一樣，使用單詞結束符“/b”有一個好處就是省去了表示空格的“/s*”。另外由于 img 標簽中不可以出現“<”、“>”這樣的符號，所以要改寫前面的正則表達式：@"<img/b[^<>]*?/bsrc/s*=/s*[""']?/s*(?<imgUrl>[^/s""'<>]*)[^<>]*?/?/s*>"

<imgwidth="320"height="240"src= "

/images/pic.jpg" />

像這種可能會用回車符折行的問題有時候會出現，所以在有空格分開的地方要包含回車換行和 TAB 字符，另外在圖片地址中不能出現空格、TAB、回車和換行字符。所以上面的正則表達式可以改成：@"<img/b[^<>]*?/bsrc[/s/t/r/n]*=[/s/t/r/n]*[""']?[/s/t/r/n]*(?<imgUrl>[^/s/t/r/n""'<>]*)[^<>]*?/?[/s/t/r/n]*>"

下面寫出取得HTML中所有圖片地址的靜態方法。

///<summary>
///取得HTML中所有圖片的URL。
///</summary>
///<paramname="sHtmlText">HTML代碼</param>
///<returns>圖片的URL列表</returns>
publicstaticstring[]GetHtmlImageUrlList(stringsHtmlText)
{
//定義正則表達式用來匹配img標簽
RegexregImg=newRegex(@"<img/b[^<>]*?/bsrc[/s/t/r/n]*=[/s/t/r/n]*[""']?[/s/t/r/n]*(?<imgUrl>[^/s/t/r/n""'<>]*)[^<>]*?/?[/s/t/r/n]*>",RegexOptions.IgnoreCase);
//搜索匹配的字符串
MatchCollectionmatches=regImg.Matches(sHtmlText);
inti=0;
string[]sUrlList=newstring[matches.Count];
//取得匹配項列表
foreach(Matchmatchinmatches)
sUrlList[i++]=match.Groups["imgUrl"].Value;
returnsUrlList;
}