C#正则表达式匹配HTML中的图片路径，图片地址

50 阅读 0 评论 33 点赞

我是靠谱客的博主忐忑雨，最近开发中收集的这篇文章主要介绍C#正则表达式匹配HTML中的图片路径，图片地址，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

C#正则表达式匹配HTML中的图片路径，图片地址

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/> <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：@"<imgs*srcs*=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：@"<imgb[^<>]*?bsrcs*=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：@"<imgb[^<>]*?bsrc[strn]*=[strn]*[""']?[strn]*(?<imgUrl>[^strn""'<>]*)[^<>]*?/?[strn]*>"
下面写出取得HTML中所有图片地址的静态方法。

///<summary>
/// 取得HTML中所有图片的 URL。
///</summary>
///<param name="sHtmlText">HTML代码</param>
///<returns>图片的URL列表</returns>

public static string[] GetHtmlImageUrlList(string sHtmlText)

{
// 定义正则表达式用来匹配 img 标签

Regex regImg = new Regex(@"<imgb[^<>]*?bsrc[strn]*=[strn]*[""']?[strn]*(?<imgUrl>[^strn""'<>]*)[^<>]*?/?[strn]*>", RegexOptions.IgnoreCase);

// 搜索匹配的字符串

MatchCollection matches = regImg.Matches(sHtmlText);

int i = 0;
string[] sUrlList = new string[matches.Count];

// 取得匹配项列表

foreach (Match match in matches)

sUrlList[i++] = match.Groups["imgUrl"].Value;

return sUrlList;

}