如何解析HTML字符串以获取图片标签中的SRC信息？

Question

如何解析HTML字符串以获取图片标签中的SRC信息？

c#.nethtmlregexxpath

26

目前我使用.Net WebBrowser.Document.Images() 来执行此操作。它需要加载文档的Webrowser，这很混乱且占用资源。

根据这个问题，XPath比正则表达式更好。

有人知道如何在C#中实现这个吗？

- Roberto Bonini

4个回答

11

任何HTML解析的大问题在于“格式正确”这一部分。你已经看到了那些糟糕的HTML - 其中有多少实际上是格式正确的呢？我需要做类似的事情 - 解析出文档中的所有链接（在我的情况下）并使用重写后的链接进行更新。我在CodePlex上找到了Html Agility Pack。它非常出色（并且可以处理格式不正确的HTML）。

以下是迭代文档中链接的代码片段：

HtmlDocument doc = new HtmlDocument();
doc.Load(@"C:\Sample.HTM");
HtmlNodeCollection linkNodes = doc.DocumentNode.SelectNodes("//a/@href");

Content match = null;

// Run only if there are links in the document.
if (linkNodes != null)
{
    foreach (HtmlNode linkNode in linkNodes)
    {
        HtmlAttribute attrib = linkNode.Attributes["href"];
        // Do whatever else you need here
    }
}

原始博客文章

- Paul Mrozowski

4

如果您只需要图片，我建议您使用正则表达式。类似这样的表达式应该可以解决问题：

Regex rg = new Regex(@"<img.*?src=""(.*?)""", RegexOptions.IgnoreCase);

- rslite

-3

如果它是有效的XHTML，你可以这样做：

XmlDocument doc = new XmlDocument();
doc.LoadXml(html);
XmlNodeList results = doc.SelectNodes("//img/@src");

- Khoth

祝你好运，尝试将90%的HTML页面加载到XmlDocument中 :) - axel_c

已经尝试过了，HTML 不是有效的 XML，因此会抛出异常。 - Roberto Bonini

@RobertoBonini 你是个专家！ - Snickbrack

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- mathieu · Accepted Answer

如果您的输入字符串是有效的XHTML，您可以将其视为xml，将其加载到xmldocument中，并执行XPath魔术 :) 但这并非总是如此。

否则，您可以尝试使用此函数，该函数将从HtmlSource返回所有图像链接：

public List<Uri> FetchLinksFromSource(string htmlSource)
{
    List<Uri> links = new List<Uri>();
    string regexImgSrc = @"<img[^>]*?src\s*=\s*[""']?([^'"" >]+?)[ '""][^>]*?>";
    MatchCollection matchesImgSrc = Regex.Matches(htmlSource, regexImgSrc, RegexOptions.IgnoreCase | RegexOptions.Singleline);
    foreach (Match m in matchesImgSrc)
    {
        string href = m.Groups[1].Value;
        links.Add(new Uri(href));
    }
    return links;
}

你可以像这样使用它：

HttpWebRequest request = (HttpWebRequest)WebRequest.Create("http://www.example.com");
request.Credentials = System.Net.CredentialCache.DefaultCredentials;
HttpWebResponse response = (HttpWebResponse)request.GetResponse();
if (response.StatusCode == HttpStatusCode.OK)
{
    using(StreamReader sr = new StreamReader(response.GetResponseStream()))
    {
        List<Uri> links = FetchLinksFromSource(sr.ReadToEnd());
    }
}