如何从Python中的Markdown文件中获取图像URL列表？

Question

我正在寻找这样的东西:

data = '''
**this is some markdown**
blah blah blah
![image here](http://somewebsite.com/image1.jpg)
![another image here](http://anotherwebsite.com/image2.jpg)
'''

print get_images_url_from_markdown(data)

返回文本中的图像URL列表:

['http://somewebsite.com/image1.jpg', 'http://anotherwebsite.com/image2.jpg']

有什么可用的,或者我是否必须使用BeautifulSoup刮掉Markdown？

Answer 1

Python-Markdown有一个广泛的扩展API.事实上,目录扩展基本上用你想要的标题(而不是图像)加上你不需要的一堆其他东西(比如添加唯一的id属性和为TOC构建嵌套列表).

解析文档后,它包含在ElementTree对象中,您可以使用树处理器在将树序列化为文本之前提取所需的数据.请注意,如果您将任何图像作为原始HTML包含在内,则无法找到这些图像(在这种情况下,您需要解析HTML输出并提取).

从本教程开始,除了您需要创建一个treeprocessor而不是内联Pattern.你应该得到这样的东西:

import markdown
from markdown.treeprocessors import Treeprocessor
from markdown.extensions import Extension

# First create the treeprocessor

class ImgExtractor(Treeprocessor):
    def run(self, doc):
        "Find all images and append to markdown.images. "
        self.markdown.images = []
        for image in doc.findall('.//img'):
            self.markdown.images.append(image.get('src'))

# Then tell markdown about it

class ImgExtExtension(Extension):
    def extendMarkdown(self, md, md_globals):
        img_ext = ImgExtractor(md)
        md.treeprocessors.add('imgext', img_ext, '>inline')

# Finally create an instance of the Markdown class with the new extension

md = markdown.Markdown(extensions=[ImgExtExtension()])

# Now let's test it out:

data = '''
**this is some markdown**
blah blah blah
![image here](http://somewebsite.com/image1.jpg)
![another image here](http://anotherwebsite.com/image2.jpg)
'''
html = md.convert(data)
print md.images

以上输出:

[u'http://somewebsite.com/image1.jpg', u'http://anotherwebsite.com/image2.jpg']

如果你真的想要一个返回列表的函数,只需将它们全部包装在一起,你就可以了.