提供了编程的基础技术教程

zl程序教程

您现在的位置是：首页 >  后端

当前栏目

C#正则表达式匹配HTML中的图片路径，图片地址代码

c#正则表达式地址HTML代码 图片 路径 匹配
2023-06-13 09:15:14 时间
一般来说一个HTML文档有很多标签，比如“<html>”、“<body>”、“<table>”等，想把文档中的img标签提取出来并不是一件容易的事。由于img标签样式变化多端，使提取的时候用程序寻找并不容易。于是想要寻找它们就必须写一个非常健全的正则表达式，不然有可能会找得不全，或者找出来的不是正确的img标签。
我们可以从HTML标签的格式去想应该怎么建这个正则表达式。首先要想一下img标签有几种写法，忽略大小写不看的话，下面列出img标签可能出现的几种情况。
<img><img/><img src=/>
这一些标签不用考虑，因为没有图片资源地址。
<img src =/images/pic.jpg/><img src ="/images/pic.jpg"><img src="/images/pic.jpg"/>
这一些标签都有图片资源地址，另外还有一个特点就是有引号对，可能为单引号，也可能为双引号。因为不需要同时匹配引号对，所以正则表达式可以这么写：@"<img\s*src\s*=\s*["""]?\s*(?[^\s"""<>]*)\s*/?\s*>"
<img width="320" height="240" src=/images/pic.jpg onclick="window.open("/images/pic.jpg")">
因为img和src之间可能会有其他的参数，所以“<img”要有个单词结束，比如说不能是“<imgabc”，同样src前面也是一样，使用单词结束符“\b”有一个好处就是省去了表示空格的“\s*”。另外由于img标签中不可以出现“<”、“>”这样的符号，所以要改写前面的正则表达式：@"<img\b[^<>]*?\bsrc\s*=\s*["""]?\s*(?<imgUrl>[^\s"""<>]*)[^<>]*?/?\s*>"
<img width="320" height="240" src ="
/images/pic.jpg"/>
像这种可能会用回车符折行的问题有时候会出现，所以在有空格分开的地方要包含回车换行和TAB字符，另外在图片地址中不能出现空格、TAB、回车和换行字符。所以上面的正则表达式可以改成：@"<img\b[^<>]*?\bsrc[\s\t\r\n]*=[\s\t\r\n]*["""]?[\s\t\r\n]*(?<imgUrl>[^\s\t\r\n"""<>]*)[^<>]*?/?[\s\t\r\n]*>"
下面写出取得HTML中所有图片地址的静态方法。

复制代码代码如下:


///<summary>        ///取得HTML中所有图片的URL。
       ///</summary>        ///<paramname="sHtmlText">HTML代码</param>        ///<returns>图片的URL列表</returns>        publicstaticstring[]GetHtmlImageUrlList(stringsHtmlText)
       {
           //定义正则表达式用来匹配img标签            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];

           //取得匹配项列表            foreach(Matchmatchinmatches)
               sUrlList[i++]=match.Groups["imgUrl"].Value;

           returnsUrlList;
       }

相关文章