正则表达式从IMG标签中找到src

Question

我有一个网页。 从那里我想找到所有IMG标签并获得那些IMG标签的SRC。

这样做的正则表达式是什么。

一些解释：

我正在抓一个网页。 除图像外，所有数据都正确显示。 要解决这个问题，哇我有一个想法，找到SRC并替换它：例如

/images/header.jpg

并替换它

www.stackoverflow/images/header.jpg

Answer 1

你不想要一个正则表达式，你想要一个解析器。 从这个问题 ：

class Program
{
    static void Main(string[] args)
    {
        var web = new HtmlWeb();
        var doc = web.Load("http://www.stackoverflow.com");

        var nodes = doc.DocumentNode.SelectNodes("//img[@src]");

        foreach (var node in nodes)
        {
                Console.WriteLine(node.src);
        }
    }
}

Answer 2

正如所指出的那样，正则表达式并不是完美的解决方案，但你通常可以构建一个对于工作来说足够好的解决方案。 这是我会用的：

string newHtml = Regex.Replace(html,
      @"(?<=<img\s+[^>]*?src=(?<q>['""]))(?<url>.+?)(?=\k<q>)",
      m => "http://www.stackoverflow.com" + m.Value);

它将匹配由单引号或双引号分隔的src属性。

当然，你必须改变lambda / delegate来做你自己的替换逻辑，但是你明白了:)

Answer 3

我不得不同意这个解析器人群。 为了增加输入复杂性，我选择的层次结构是：

• 子;
• 正则表达式; 和
• 解析器。

虽然正则表达式可以处理比简单子字符串操作更复杂的输入，但是当面对自由格式标记语言的真正多毛输入可能性时，它们往往很容易barf。

XML DOM解析器将是解决此问题的最简单方法。

您可以使用正则表达式（如果您限制输入格式，它们将会运行得相当好，例如确保img标签不跨越边界等等），但基于解析器的解决方案的简单性会将正则表达式排除在外用于多行，任意顺序DOM标记的水。

Answer 4

请记住，源代码可以通过javascript生成，因此您可能无法“只”为img src执行正则表达式替换。

在ruby中使用Mechanize / Hpricot / Nokogiri：

require 'mechanize'
agent = WWW::Mechanize.new
page  = agent.get('http://www.google.com')
(page/"img").each { |img| puts img['src'] = "http://www.yahoo.com" + img['src'] }

你完成了！

Answer 5

/// <summary>
/// Gets the src from an IMG tag
/// Assigns proper values to link and name, if the htmlId matches the pattern
/// </summary>
/// <param name="htmlTd">Html containing IMG tag</param>
/// <param name="link">Contains the src contents</param>
/// <param name="name">Contains img element content</param>
/// <returns>true if success, false otherwise</returns>
public static bool TryGetImgDetails(string htmlTd, out string link, out string name)
{
    link = null;
    name = null;

    string pattern = "<img\\s*src\\s*=\\s*(?:\"(?<link>[^\"]*)\"|(?<link>\\S+))\\s*>(?<name>.*)\\s*</img>";

    if (Regex.IsMatch(htmlTd, pattern))
    {
        Regex r = new Regex(pattern, RegexOptions.IgnoreCase | RegexOptions.Compiled);
        link = r.Match(htmlTd).Result("${link}");
        name = r.Match(htmlTd).Result("${name}");
        return true;
    }
    else
        return false;
}