如何解析图像标签的 HTML 字符串以获取 SRC 信息？

Posted 2023-03-05

【中文标题】如何解析图像标签的 HTML 字符串以获取 SRC 信息？

【英文标题】：How do you parse an HTML string for image tags to get at the SRC information?

【发布时间】：2010-09-13 10:08:07

【问题描述】：

目前我使用 .Net WebBrowser.Document.Images() 来执行此操作。它需要Webrowser 来加载文档。它很乱，占用资源。

根据this question XPath 在这方面比正则表达式更好。

有人知道如何在 C# 中做到这一点吗？

【参考方案1】：

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，然后执行 XPath 魔术 :) 但并非总是如此。

否则你可以试试这个函数，它会返回来自 HtmlSource 的所有图片链接：

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());
    

【讨论】：

谢谢你，我正在用我自己的正则表达式敲我的头！

如果 href 包含空格，

([^'"" >]+?) 不起作用！

using( StreamReader sr = new StreamReader( response.GetResponseStream() ) 行缺少一个额外的右括号。

【参考方案2】：

任何 HTML 解析的大问题是“格式良好”的部分。您已经看到了那里的废话 HTML - 其中有多少是格式正确的？我需要做类似的事情 - 解析文档中的所有链接（在我的情况下）用重写的链接更新它们。我在 CodePlex 上找到了Html Agility Pack。它摇摆不定（并处理格式错误的 HTML）。

这是一个用于迭代文档中链接的 sn-p：

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
    

Original Blog Post

【参考方案3】：

如果您只需要图像，我会使用正则表达式。像这样的东西应该可以解决问题：

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

【参考方案4】：

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");

【讨论】：

祝你好运，将 90% 的 html 页面加载到 XmlDocument 中:)

已经试过了。 HTML 不是有效的 XML。从而引发异常。

@RobertoBonini 你是专家！