C#正則表達式匹配HTML中的圖片路徑，圖片地址代碼

更新時間：2013年12月26日 17:51:49 作者：

最近的項目中有個關(guān)于網(wǎng)頁取圖的功能需要我自己開發(fā)，那就是用正則表達式來匹配圖片標簽，這里簡單介紹下實現(xiàn)方法，需要的朋友可以參考下

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?qū)ふ也⒉蝗菀?。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(xiàn)的幾種情況。
<img> <img/> <img src=/>
這一些標簽不用考慮，因為沒有圖片資源地址。
<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*>"
<img width="320" height="240" src=/images/pic.jpg onclick="window.open('/images/pic.jpg')">
因為 img 和 src 之間可能會有其他的參數(shù)，所以“<img”要有個單詞結(jié)束，比如說不能是“<imgabc”，同樣 src 前面也是一樣，使用單詞結(jié)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(xiàn)“<”、“>”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*>"
<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(xiàn)，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(xiàn)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(tài)方法。

復制代碼代碼如下:

/// <summary>         /// 取得HTML中所有圖片的 URL。
        /// </summary>         /// <param name="sHtmlText">HTML代碼</param>         /// <returns>圖片的URL列表</returns>         public static string[] GetHtmlImageUrlList(string sHtmlText)
        {
            // 定義正則表達式用來匹配 img 標簽             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;
}

您可能感興趣的文章: