C#正则表达式通过HTML提取网页中的图片src-白红宇

原文:

目前在做HoverTreeCMS项目中有处理图片的部分，参考了一下网上案例，自己写了一个获取内容中的图片地址的方法。

可以先看看效果：

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。

这一些标签不用考虑，因为没有图片资源地址。

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*>"

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中所有图片地址的类HvtHtmlImage：

1 using System.Text.RegularExpressions; 2  3 namespace HoverTree.HoverTreeFrame.HvtImage 4 { 5 public class HvtHtmlImage 6 { 7 //效果 http://tool.hovertree.com/a/zz/img/ 8 ///   9 /// 取得HTML中所有图片的 URL。 10 /// 
 11 /// HTML代码 12 /// 
     
      图片的URL列表
      13 public static string[] GetHvtImgUrls(string sHtmlText)14 {15 // 定义正则表达式用来匹配 img 标签 16 Regex m_hvtRegImg = new Regex(@"
     
      <>]*?\bsrc[\s\t\r\n]*=[\s\t\r\n]*[""']?[\s\t\r\n]*(?
      
       [^\s\t\r\n""'<>]*)[^<>]*?/?[\s\t\r\n]*>", RegexOptions.IgnoreCase);17 //参考:http://hovertree.com/hvtart/bjae/e4pya1x0.htm18 19 20 // 搜索匹配的字符串 21 MatchCollection matches = m_hvtRegImg.Matches(sHtmlText);22 int m_i = 0;23 string[] sUrlList = new string[matches.Count];24 25 // 取得匹配项列表 26 foreach (Match match in matches)27 sUrlList[m_i++] = match.Groups["imgUrl"].Value;28 return sUrlList;29 }30 }31 }

ASP.NET开源CMS

开发技术文章收集