正则表达式提取HTML中img标签的src地址

正则表达式提取HTML中img标签的src地址

一般来说一个 HTML 文档有很多标签，比如“title”、“head”、“script”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*(?[^\s""'<>]*)[^<>]*?/?\s*>" 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]*(?[^\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   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;
        }

相关python的代码

import re

p = re.compile(r'''<img\b[^<>]*?\bsrc[\s\t\r\n]*=[\s\t\r\n]*["']?[\s\t\r\n]*(?P<imgUrl>[^\s\t\r\n"'<>]*)[^<>]*?/?[\s\t\r\n]*>''',re.I)

def replaceTo(matched):
    return matched.group('imgUrl')

img_label = '''<img src="//alicdn.hnyunji.com/zzqklm.com/images/20191010100822546.png" title="1.png" alt="1.png" width="300" height="80" border="0" vspace="0" style="width: 300px; height: 80px;">'''
print(p.search(img_label).group(1))


all = p.sub(replaceTo, img_label)
print(all)