C#正则表达式匹配HTML中的图片路径，图片地址代码

摘要：一般来说一个HTML文档有很多标签，比如“”、“”、“”等，想把文档中的img标签提取出来并不是一件容易的事。由于img标签样式变化多端，使...

一般来说一个 HTML 文档有很多标签，比如“<html>”、“<body>”、“<table>”等，想把文档中的 img 标签提取出来并不是一件容易的事。由于 img 标签样式变化多端，使提取的时候用程序寻找并不容易。于是想要寻找它们就必须写一个非常健全的正则表达式，不然有可能会找得不全，或者找出来的不是正确的 img 标签。

我们可以从 HTML 标签的格式去想应该怎么建这个正则表达式。首先要想一下 img 标签有几种写法，忽略大小写不看的话，下面列出 img 标签可能出现的几种情况。

这一些标签不用考虑，因为没有图片资源地址。

<imgsrc= /images/pic.jpg/ > <imgsrc=" /images/pic.jpg" > <imgsrc= '/images/pic.jpg ' / >

这一些标签都有图片资源地址，另外还有一个特点就是有引号对，可能为单引号，也可能为双引号。因为不需要同时匹配引号对，所以正则表达式可以这么写：@"<imgs*srcs*=s*[""']?s*(?[^s""'<>]*)s*/?s*>"

<imgwidth="320"height="240"src=/images/pic.jpgonclick="window.open('/images/pic.jpg')">

因为 img 和 src 之间可能会有其他的参数，所以“<img”要有个单词结束，比如说不能是“<imgabc”，同样 src 前面也是一样，使用单词结束符“b”有一个好处就是省去了表示空格的“s*”。另外由于 img 标签中不可以出现“<”、“>”这样的符号，所以要改写前面的正则表达式：@"<imgb[^<>]*?bsrcs*=s*[""']?s*(?<imgUrl>[^s""'<>]*)[^<>]*?/?s*>"

<imgwidth="320"height="240"src= "

/images/pic.jpg" />

像这种可能会用回车符折行的问题有时候会出现，所以在有空格分开的地方要包含回车换行和 TAB 字符，另外在图片地址中不能出现空格、TAB、回车和换行字符。所以上面的正则表达式可以改成：@"<imgb[^<>]*?bsrc[strn]*=[strn]*[""']?[str n]*(?<imgUrl>[^strn""'<>]*)[^<>]*?/?[strn]*>"

下面写出取得HTML中所有图片地址的静态方法。

复制代码代码如下:

/// <summary> /// 取得HTML中所有图片的 URL。

/// </summary> /// <param name="sHtmlText">HTML代码</param> /// <returns>图片的URL列表</returns> public static string[] GetHtmlImageUrlList(string sHtmlText)

{

// 定义正则表达式用来匹配 img 标签 Regex regImg = new Regex(@"<imgb[^<>]*?bsrc[strn]*=[strn]*[""']?[strn]*(?<imgUrl>[^strn""'<>]*)[^<>]*?/?[strn]*>", RegexOptions.IgnoreCase);

// 搜索匹配的字符串 MatchCollection matches = regImg.Matches(sHtmlText);

int i = 0;

string[] sUrlList = new string[matches.Count];

// 取得匹配项列表 foreach (Match match in matches)

sUrlList[i++] = match.Groups["imgUrl"].Value;

return sUrlList;

}