你的位置:首页 > ASP.net教程

[ASP.net教程]C#正则表达式通过HTML提取网页中的图片src


目前在做HoverTreeCMS项目中有处理图片的部分,参考了一下网上案例,自己写了一个获取内容中的图片地址的方法。

可以先看看效果:http://tool.hovertree.com/a/zz/img/

 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/> <img src=/> 

这一些标签不用考虑,因为没有图片资源地址。 
<img src = /images/pic.jpg/ > <img src =" /images/pic.jpg" > <img src= '/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*>"
<img width="320" height="240" src=/images/pic.jpg onclick="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*>"
<img width="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中所有图片地址的类HvtHtmlImage:

 1 using System.Text.RegularExpressions; 2  3 namespace HoverTree.HoverTreeFrame.HvtImage 4 { 5 public class HvtHtmlImage 6 { 7 //效果 http://tool.hovertree.com/a/zz/img/ 8 /// <summary>  9 /// 取得HTML中所有图片的 URL。 10 /// </summary> 11 /// <param name="sHtmlText">HTML代码</param> 12 /// <returns>图片的URL列表</returns> 13 public static string[] GetHvtImgUrls(string sHtmlText)14 {15 // 定义正则表达式用来匹配 img 标签 16 Regex m_hvtRegImg = 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);17 //参考:http://hovertree.com/hvtart/bjae/e4pya1x0.htm18 19 20 // 搜索匹配的字符串 21 MatchCollection matches = m_hvtRegImg.Matches(sHtmlText);22 int m_i = 0;23 string[] sUrlList = new string[matches.Count];24 25 // 取得匹配项列表 26 foreach (Match match in matches)27 sUrlList[m_i++] = match.Groups["imgUrl"].Value;28 return sUrlList;29 }30 }31 }

更多:http://hovertree.com/hvtart/bjae/r42fdvjj.htm

ASP.NET开源CMS http://www.cnblogs.com/sosoft/p/cms.html

开发技术文章收集 http://www.cnblogs.com/sosoft/p/kaifajishu.html