C#正則表達式提取HTML中IMG標籤的SRC地址

時間 2019-11-22

標籤 c# 正則表達式提取 html img 標籤 src 地址欄目 C# 简体版

原文原文鏈接

通常來講一個 HTML 文檔有不少標籤，好比「<html>」、「<body>」、「<table>」等，想把文檔中的 img 標籤提取出來並非一件容易的事。因爲 img 標籤樣式變化無窮，使提取的時候用程序尋找並不容易。因而想要尋找它們就必須寫一個很是健全的正則表達式，否則有可能會找得不全，或者找出來的不是正確的 img 標籤。
咱們能夠從 HTML 標籤的格式去想應該怎麼建這個正則表達式。首先要想一下 img 標籤有幾種寫法，忽略大小寫不看的話，下面列出 img 標籤可能出現的幾種狀況。
<img> <img/> <img src=/>
這一些標籤不用考慮，由於沒有圖片資源地址。
<img src = /images/pic.jpg/ > <img src =" /images/pic.jpg" > <img src= '/images/pic.jpg ' / >
這一些標籤都有圖片資源地址，另外還有一個特色就是有引號對，可能爲單引號，也可能爲雙引號。由於不須要同時匹配引號對，因此正則表達式能夠這麼寫：@"<img\s*src\s*=\s*[""']?\s*(?[^\s""'<>]*)\s*/?\s*>"
<img width="320" height="240" src=/images/pic.jpg onclick="window.open('/images/pic.jpg')">
由於 img 和 src 之間可能會有其餘的參數，因此「<img」要有個單詞結束，好比說不能是「<imgabc」，一樣 src 前面也是同樣，使用單詞結束符「\b」有一個好處就是省去了表示空格的「\s*」。另外因爲 img 標籤中不能夠出現「<」、「>」這樣的符號，因此要改寫前面的正則表達式：@"<img\b[^<>]*?\bsrc\s*=\s*[""']?\s*(?<imgUrl>[^\s""'<>]*)[^<>]*?/?\s*>"
<img width="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，因此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。
因此上面的正則表達式能夠改爲：@"<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中全部圖片地址的靜態方法。html

        /// <summary> 
        /// 取得HTML中全部圖片的 URL。 
        /// </summary> 
        /// <param name="sHtmlText">HTML代碼</param> 
        /// <returns>圖片的URL列表</returns> 
        public   string[] GetHtmlImageUrlList(string sHtmlText)
        {
            // 定義正則表達式用來匹配 img 標籤 
            Regex regImg = new Regex(@"<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 
            MatchCollection matches = regImg.Matches(sHtmlText);
            int i = 0;
            string[] sUrlList = new string[matches.Count];

            // 取得匹配項列表 
            foreach (Match match in matches)
                sUrlList[i++] = match.Groups["imgUrl"].Value;
            return sUrlList;
        }