如何使用正则表达式提取HTML img源？

Question

我需要从HTML文档中的所有图像标记中提取src元素.

因此,输入是一个HTML页面,输出将是指向图像的URL列表:ex ... http://www.google.com/intl/en_ALL/images/logo.gif

以下是我到目前为止所提出的:

<img\s+src=""(http://.*?)

这不适用于src不在img标记之后的标记,例如:

<img height="1px" src="spacer.gif">

有人可以帮助完成这个正则表达式？这很简单,但我认为这可能是获得答案的更快捷方式.

Answer 1

以下正则表达式代码段应该有效.

<img[^>]+src="([^">]+)"

它会查找以开头的文本<img,其次是没有一个或多个字符>,然后src=".然后,它抓住了这一点,并在未来之间的一切"或>.

但是,如果可能的话,使用真正的HTML解析器.它更加坚固,可以更好地处理边缘情况.

Answer 2

你不想那样做.正确解析HTML是一个非常复杂的问题,正则表达式不是一个好的工具.

请参阅例如, 您是否可以提供一些为什么难以使用正则表达式解析XML和HTML的示例？

这是一个很好的解决方案:

我如何以编程方式检查HTML文档

Answer 3

你可以用 Javascript 很容易地做到这一点。一个例子如下：

var images = document.getElementsByTagName("img");

for (i=0; i < images.length; i++)
{
   // get image src
   var currImage = images[i].src;

   // do link creation here
}