C#正则表达式提取HTML中IMG标签的SRC地址(转)

OStack程序员社区-中国程序员成长平台 › 门户 › 编程› Node.js›Node.js教程

原作者: [db:作者] 来自: [db:来源] 收藏邀请

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。

/// <summary>   
/// 取得HTML中所有图片的 URL。   
/// </summary>   
/// <param name="sHtmlText">HTML代码</param>   
/// <returns>图片的URL列表</returns>   
public static string[] GetHtmlImageUrlList(string sHtmlText)   
{   
  // 定义正则表达式用来匹配 img 标签   
  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];   
    
  // 取得匹配项列表   
  foreach (Match match in matches)   
  sUrlList[i++] = match.Groups["imgUrl"].Value;   
  return sUrlList;   
}

当然，我们有时候只是想取这个 img 标签的 src 地址，正则里的“括号”会取出这一块我们需要的东西，那如何取出呢？这里我写个自己的提取方法，可能不够健壮，只是为了说明下用法而已：

        /// <summary>
        /// 正则表达式提取HTML内容中 IMG 标签的 SRC 地址，只取第一个匹配地址，可能为空字符串
        /// </summary>
        /// <param name="pModel"></param>
        /// <returns>地址，可能为空（未找到匹配）</returns>
        public static string ArticleImgSrc(this Tb_Article pModel)
        {
            string value = string.Empty;
            string aContent = pModel.ArticleContent;
         
            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);
            MatchCollection matches = regImg.Matches(aContent);

            if (matches.Count > 0 && matches[0].Groups.Count > 1)
            {            
                value = matches[0].Groups[1].Value;
            }
            return value;
        }