首页 > 代码库 > C#正则表达式提取HTML中IMG标签的SRC地址
C#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“<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=http://www.mamicode.com/>
这一些标签不用考虑，因为没有图片资源地址。
<img src = http://www.mamicode.com/images/pic.jpg/ > 
<img width="320" height="240" src=http://www.mamicode.com/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 = "http://www.mamicode.com/
/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 /// <param name="sHtmlText">HTML代码</param>
5 /// <returns>图片的URL列表</returns>
6 public static string[] GetHtmlImageUrlList(string sHtmlText)
7 {
8 // 定义正则表达式用来匹配 img 标签
9 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);
10
11 // 搜索匹配的字符串
12 MatchCollection matches = regImg.Matches(sHtmlText);
13 int i = 0;
14 string[] sUrlList = new string[matches.Count];
15
16 // 取得匹配项列表
17 foreach (Match match in matches)
18 sUrlList[i++] = match.Groups["imgUrl"].Value;
19 return sUrlList;
20 }
转 http://blog.csdn.net/smeller/article/details/7108502
C#正则表达式提取HTML中IMG标签的SRC地址
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。