C#正則表示式提取HTML中IMG標籤的SRC地址
原文：http://blog.csdn.net/smeller/article/details/7108502
一般來說一個 HTML 文件有很多標籤，比如“<html>”、“<body>”、“<table>”等，想把文件中的 img 標籤提取出來並不是一件容易的事。由於 img 標籤樣式變化多端，使提取的時候用程式尋找並不容易。於是想要尋找它們就必須寫一個非常健全的正則表示式，不然有可能會找得不全，或者找出來的不是正確的 img 標籤。
我們可以從 HTML 標籤的格式去想應該怎麼建這個正則表示式。首先要想一下 img 標籤有幾種寫法，忽略大小寫不看的話，下面列出 img 標籤可能出現的幾種情況。
<img> <img/> <img src=/>
這一些標籤不用考慮，因為沒有圖片資源地址。
<img src = /images/pic.jpg/ > <img src =" /images/pic.jpg" > <img src= '/images/pic.jpg ' / >
這一些標籤都有圖片資源地址，另外還有一個特點就是有引號對，可能為單引號，也可能為雙引號。因為不需要同時匹配引號對，所以正則表示式可以這麼寫：@"<img\s*src\s*=\s*[""']?\s*(?[^\s""'<>]*)\s*/?\s*>"
<img width="320" height="240" src=/images/pic.jpg onclick="window.open('/images/pic.jpg')">
因為 img 和 src 之間可能會有其他的引數，所以“<img”要有個單詞結束，比如說不能是“<imgabc”，同樣 src 前面也是一樣，使用單詞結束符“\b”有一個好處就是省去了表示空格的“\s*”。另外由於 img 標籤中不可以出現“<”、“>”這樣的符號，所以要改寫前面的正則表示式：@"<img\b[^<>]*?\bsrc\s*=\s*[""']?\s*(?<imgUrl>[^\s""'<>]*)[^<>]*?/?\s*>"
<img width="320" height="240" src = "
/images/pic.jpg" />
像這種可能會用回車符折行的問題有時候會出現，所以在有空格分開的地方要包含回車換行和 TAB 字元，另外在圖片地址中不能出現空格、TAB、回車和換行字元。
所以上面的正則表示式可以改成：@"<img\b[^<>]*?\bsrc[\s\t\r\n]*=[\s\t\r\n]*[""']?[\s\t\r\n]*(?<imgUrl>[^\s\t\r\n""'<>]*)[^<>]*?/?[\s\t\r\n]*>
下面寫出取得HTML中所有圖片地址的靜態方法。
[csharp] view plain copy
- /// <summary>
- /// 取得HTML中所有圖片的 URL。
- /// </summary>
- /// <param name="sHtmlText">HTML程式碼</param>
- /// <returns>圖片的URL列表</returns>
- public static string[] GetHtmlImageUrlList(string sHtmlText)
- {
- // 定義正則表示式用來匹配 img 標籤
- Regex regImg = newRegex(@"<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);
- // 搜尋匹配的字串
- MatchCollection matches = regImg.Matches(sHtmlText);
- int i = 0;
- string[] sUrlList = new string[matches.Count];
- // 取得匹配項列表
- foreach (Match match in matches)
- sUrlList[i++] = match.Groups["imgUrl"].Value;
- return sUrlList;
- }