上次有个朋友来问了一个关于seo方面的问题,把Html文档中的所有图片的alt属性值替换成指定的值。首先我们就想到用正则表达式,目标任务:只替换img标签的alt属性值。
alt属性可能不只有img有,所以限定只替换img的alt属性。输入的话,一个html文档差不多有上万行代码。所以用简单粗暴的查找替换是可耻的。正则才是比较优雅的解决之道。
现在我们来分析一下我们要替换的字符串的特征。
1、以“<img"开头;
2、带有alt属性;
3、img标签到alt属性之间存在未知的字符。
嗯,我们先解决第一步,找出img标签,写出如下:/<img[^>]*>/g
接下来这就是找到有alt属性的,写出如下: /<img[^>]*alt=('|")(.*?)\1.*>/g
其实解决第二步并没有这么简单,都是碰到了很多问题后面才写出来的,包括img到alt这一段之间的字符如何处理,以及alt到闭合标签"/>"之间的情况,而且有些代码的img标签都没有写对正确的闭合标签,类似:<img src="***.jpg" >,所以写的正则表达式需要兼容这种错误的标签的情形。
好了, 借用电竞三丑的一口头禅:可以,不跟你多BB。上代码:
static void Main(string[] args)
{
try
{
//调用
ReplaceAlt(
"<\\s*img([^>]*?)alt=('|\")(.*?)\\2",
RegexOptions.IgnoreCase | RegexOptions.Multiline,
"<img$1alt='d.pan'",
@"E:\MyJob\VS2012_Space\TestConsole\atesthtml.txt",
@"E:\MyJob\VS2012_Space\TestConsole\output.txt"
);
}
catch( Exception ex )
{
}
}
/// <summary>
/// 对输入文件执行替换的正则表达式
/// </summary>
/// <param name="RegStr">正则表达式</param>
/// <param name="OptObj">正则对象选项枚举</param>
/// <param name="ReplaceStr">替换的表达式</param>
/// <param name="InputPath">输入文件路径</param>
/// <param name="OutputPath">输出文件路径</param>
/// <returns></returns>
public static bool ReplaceAlt( string RegStr, RegexOptions OptObj, string ReplaceStr, string InputPath , string OutputPath )
{
//输入文档,这里是为了摸拟
StreamReader SR = null;
//输出文档
StreamWriter SW = null;
try
{
SR = new System.IO.StreamReader( InputPath );
SW = new System.IO.StreamWriter( OutputPath );
string InputSt = SR.ReadToEnd();
//正则表达式
Regex ImgReg = new Regex( RegStr , OptObj );
//执行替换
SW.WriteLine( ImgReg.Replace( InputSt , ReplaceStr ) );
return true;
}
catch( Exception Ex )
{
//异常处理
return false;
}
finally
{
//关闭文件
if( null != SR )
{
SR.Close();
SR = null;
}
if( null != SW )
{
SW.Close();
SW = null;
}
}
}
这里需要解释一下,代码中使用的正则表达式是:<\s*img([^>]*?)alt=('|")(.*?)\2,
替换的是:<img$1alt='这里是我想要替换的值'。
因为我们只需要替换alt的值,所以alt属性之后的那一段字符串,我们不需要理会,因为alt的值有可能使用了单引号或者是双引号,我们这里使用分组(第二个分组)从而解决这种问题,但是为什么前面的img到alt属性之前也使用了一个分组(第一个分组)?这个分组是在替换时使用的,$1表示了上面正则表达式第一个分组的值,这样就可以完全的复制过来,只需要替换alt的值就可以了。
测试结果:
输入文本:
输出结果: