c＃正则表达式匹配img src =“*”类型的URL

Question

我在c＃中有一个正则表达式，我用来匹配图像标签并拉出URL。 我的代码在大多数情况下都有效。 下面的代码将“修复”所有相对图像URL到绝对URL。

问题是正则表达式与以下内容不匹配：

<img height="150" width="202" alt="" src="../Image%20Files/Koala.jpg" style="border: 0px solid black; float: right;">

例如，它匹配这个就好了

<img height="147" width="197" alt="" src="../Handlers/SignatureImage.ashx?cid=5" style="border: 0px solid black;">

关于如何使它匹配的任何想法都会很棒。 我认为问题是％，但我可能是错的。

Regex rxImages = new Regex(" src=\"([^\"]*)\"", RegexOptions.IgnoreCase & RegexOptions.IgnorePatternWhitespace);
mc = rxImages.Matches(html);
if (mc.Count > 0)
{
    Match m = mc[0];
    string relitiveURL = html.Substring(m.Index + 6, m.Length - 7);
    if (relitiveURL.Substring(0, 4) != "http")
    {
        Uri absoluteUri = new Uri(baseUri, relitiveURL);
        ret += html.Substring(0, m.Index + 5);
        ret += absoluteUri.ToString();
        ret += html.Substring(m.Index + m.Length - 1, html.Length - (m.Index + m.Length - 1));
        ret = convertToAbsolute(URL, ret);
    }
}

Answer 1

使用RegEx以这种方式解析图像是个坏主意。 请参阅此处以了解原因。

您可以使用HTML Agility Pack等HTML解析器来解析HTML并使用XPath语法对其进行查询。

Answer 2

首先，我会尝试跳过所有手动解析并使用linq到html

HDocument document = HDocument.Load("http://www.microsoft.com");

foreach (HElement element in document.Descendants("img"))
{
   Console.WriteLine("src = " + element.Attribute("src"));
}

如果这不起作用，那么我才会回到手动解析，我相信这里的一位优秀温柔的人已经发布了一个正常的工作正则表达式来满足您的需求。

Answer 3

正则表达式是一个坏主意。 更好地使用HTML解析器。 这里是一个正则表达式我用于解析与正则表达式的链接虽然：

String body = "..."; //body of the page
Matcher m = Pattern.compile("(?im)(?:(?:(?:href)|(?:src))[ ]*?=[ ]*?[\"'])(((?:http|https)(?::\\/{2}[\\w]+)(?:[\\/|\\.]?)(?:[^\\s\"]*))|((?:\\/{0,1}[\\w\\.]+)+))[\"']").matcher(body);
while(m.find()){
  String absolute = m.group(2);
  String relative = m.group(3);
}

但是使用解析器会更容易，而且资源也更好。 这是一个链接，显示我切换到解析器时最终写的内容。

http://notetodogself.blogspot.com/2007/11/extract-links-using-htmlparser.html

可能没那么有用，因为那是java而你需要C＃

Answer 4

我不知道你的程序是做什么的，但我猜这是你在linux下命令行5分钟内会做的事情的一个例子。 您可以下载许多相同工具（例如sed）的Windows版本，并省去编写所有代码的麻烦。