从HTML代码中提取图像URL的正则表达式

Question

从HTML代码中提取图像URL的正则表达式

3

我希望能从HTML代码中提取图像的URL，例如下面的HTML代码：

<div class="imageContainer">
   <img src="http://ecx.images-amazon.com/images/I/41%2B7N48F7JL._SL135_.jpg"
      alt="" width="135" height="94"
      style="margin-top: 21px; margin-bottom:20px;" /></div>

我从网络上获取了一段代码

String regexImage = "(?<=<img (*)src=\")[^\"]*";
Pattern pImage = Pattern.compile(regexImage);
Matcher mImage = pImage.matcher(elementString);
while (mImage.find()) {
   String imagePath = mImage.group();}

这是一个正常运行且具有正则表达式的程序。

"(?<=<img src=\")[^\"]*"

但现在我想从以下类似的HTML代码中提取图像URL：

：

<img onerror="img_onerror(this);" data-logit="true" data-pid="MOBDDDBRHVWQZHYY"
   data-imagesize="thumb"
   data-error-url="http://img1a.flixcart.com/mob/thumb/mobile.jpg"
   src="http://img8a.flixcart.com/image/mobile/h/y/y/samsung-galaxy-s-duos-s7562-125x125-imadddczzr4qhqnc.jpeg"
   alt="Samsung Galaxy S Duos S7562: Mobile"
   title="Samsung Galaxy S Duos S7562: Mobile"></img></a>
<div class="bp-offer-image image-offer"></div>

在`img`和`src=`之间的代码是需要翻译的内容。

我正在尝试使用正则表达式："(?<=<img (*)src=\")[^\"]*"，但它不起作用。请提供一个正则表达式，以便从上述HTML代码中提取图像URL，即http://ecx.images-amazon.com/images/I/61xqOQ3Sj8L._SL135_.jpg。

首先，我使用Jsoup解析HTML以提取包含img的标签：

doc = Jsoup.connect(urlFromBrowse).get();
            Elements elements = doc.getElementsByTag("img");

            for (Element element : elements) {
                String elementString = element.toString();

我将这个elementString传递给matcher()方法。从我获取的标签(element)中，我使用正则表达式来解析图片url、名称等内容。

- user1699548

3

不要使用正则表达式。将其解析为HTML代码。 - Anirudh Ramanathan

2

解析格式良好的HTML很容易，但如果不规范就会是一场噩梦！ - Aubin

刚看到这个放在首页上了。Java肯定有一些DOM解析器。调查一下这个，而不是用正则表达式。 - Joel Berger

谢谢您的评论，但是嘿，伙计们，我已经工作了2周了，现在几乎完成了我想要的东西，只剩下一个正确的正则表达式。现在我不能从头开始使用其他技术来解析它。所以请有人给我那个正则表达式。 - user1699548

不，你已经在使用DOM解析器了，所以继续使用它吧。为什么要错误地做呢，当你几乎做对了呢？ - Joel Berger

显示剩余3条评论

3个回答

2

根据文档，JSoup（一种DOM解析器）可以在获取标签元素后轻松获取属性。类似这样的代码：

doc.getElementsByTag("img").attr("src")

应该可以工作。

我是一个Perl程序员，我们这个社区经常过于依赖正则表达式。我一直在努力启发人们使用DOM解析器而不是脆弱的正则表达式。

- Joel Berger

是的，对于x-html可以使用DOM，但对于格式不正确的HTML（3.2），它不适用。 - Aubin

谁说了什么关于格式不正确的HTML 3.2？ - Joel Berger

这似乎是我想要的，我会尝试一下并回来。顺便说一句，谢谢。 - user1699548

你可能需要循环遍历标签元素，请参阅 Elements 类的文档以获取辅助方法。 - Joel Berger

谢谢提供有用的链接，因为在我的Eclipse中，我无法获取任何JSoup方法的鼠标悬停文档。 - user1699548

0

我希望你能够通过JSoup API获取元素的各种属性。Node.attributes()是否给你想要的结果？

- Brian Agnew

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

- Aubin · Accepted Answer

本文是对问题的回答，而不是一份指南。

这个问题不是“RegExp vs DOM”，而是“从HTML代码中提取图像URL的正则表达式”。

以下是答案：

String htmlFragment =
   "<img onerror=\"img_onerror(this);\" data-logit=\"true\" data-pid=\"MOBDDDBRHVWQZHYY\"\n" + 
   "   data-imagesize=\"thumb\"\n" + 
   "   data-error-url=\"http://img1a.flixcart.com/mob/thumb/mobile.jpg\"\n" + 
   "   src=\"http://img8a.flixcart.com/image/mobile/h/y/y/samsung-galaxy-s-duos-s7562-125x125-imadddczzr4qhqnc.jpeg\"\n" + 
   "   alt=\"Samsung Galaxy S Duos S7562: Mobile\"\n" + 
   "   title=\"Samsung Galaxy S Duos S7562: Mobile\"></img></a>";
Pattern pattern =
   Pattern.compile( "(?m)(?s)<img\\s+(.*)src\\s*=\\s*\"([^\"]+)\"(.*)" );
Matcher matcher = pattern.matcher( htmlFragment );
if( matcher.matches()) {
   System.err.println(
      "OK:\n" +
      "1: '" + matcher.group(1) + "'\n" +
      "2: '" + matcher.group(2) + "'\n" +
      "3: '" + matcher.group(3) + "'\n" );
}

输出结果为：

OK:
1: 'onerror="img_onerror(this);" data-logit="true" data-pid="MOBDDDBRHVWQZHYY"
   data-imagesize="thumb"
   data-error-url="http://img1a.flixcart.com/mob/thumb/mobile.jpg"
   '
2: 'http://img8a.flixcart.com/image/mobile/h/y/y/samsung-galaxy-s-duos-s7562-125x125-imadddczzr4qhqnc.jpeg'
3: '
   alt="Samsung Galaxy S Duos S7562: Mobile"
   title="Samsung Galaxy S Duos S7562: Mobile"></img></a>'