C#正则表达式匹配HTML中的图片路径

8/3/2015来源:C#应用人气:2387

C#正则表达式匹配HTML中的图片路径

最近的项目中有个关于网页取图的功能需要我自己开发,那就是用正则表达式来匹配图片标签。

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/> <imgsrc=/>

这一些标签不用考虑,因为没有图片资源地址。

<imgsrc= /images/pic.jpg/ > <imgsrc=" /images/pic.jpg" > <imgsrc= '/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*>"

<imgwidth="320"height="240"src=/images/pic.jpgonclick="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*>"

<imgwidth="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。

  1. ///<summary>
  2. ///取得HTML中所有图片的URL。
  3. ///</summary>
  4. ///<paramname="sHtmlText">HTML代码</param>
  5. ///<returns>图片的URL列表</returns>
  6. publicstaticstring[]GetHtmlImageUrlList(stringsHtmlText)
  7. {
  8. //定义正则表达式用来匹配img标签
  9. RegexregImg=newRegex(@"<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);
  10. //搜索匹配的字符串
  11. MatchCollectionmatches=regImg.Matches(sHtmlText);
  12. inti=0;
  13. string[]sUrlList=newstring[matches.Count];
  14. //取得匹配项列表
  15. foreach(Matchmatchinmatches)
  16. sUrlList[i++]=match.Groups["imgUrl"].Value;
  17. returnsUrlList;
  18. }