python - 使用 Python 从 HTML 页面中提取图像

Question

下面是我的代码。它试图在 html 的图像标签中获取图像的 src。

import re
for text in open('site.html'):
  matches = re.findall(r'\ssrc="([^"]+)"', text)
  matches = ' '.join(matches)
print(matches)

问题是当我输入类似的东西时:

<img src="asdfasdf">

它可以工作，但是当我放入一个完整的 HTML 页面时，它什么也没有返回。为什么要这样做？我该如何解决？

Site.html 只是标准格式的网站 html 代码。我希望它忽略所有内容，只打印图像的源代码。如果您想查看 site.html 中的内容，请转到基本 HTML 网页并复制所有源代码。

Answer 1

既然可以轻松使用 BeautifulSoup 之类的东西来解析 HTML，为什么还要使用正则表达式来解析 HTML？ :

>>> from bs4 import BeautifulSoup as BS
>>> html = """This is some text
... <img src="asdasdasd">
... <i> More HTML <b> foo </b> bar </i>
... """
>>> soup = BS(html)
>>> for imgtag in soup.find_all('img'):
...     print(imgtag['src'])
... 
asdasdasd

---

您的代码不起作用的原因是因为 text 是文件的一行。因此，您只能在每次迭代中找到一行的匹配项。虽然这可能有效，但请考虑最后一行是否没有图像标签。 matches 会是一个空列表，join 会变成''。您正在覆盖变量 matches 每一行。

您想对整个 HTML 调用 findall:

import re
with open('site.html') as html:
    content = html.read()
    matches = re.findall(r'\ssrc="([^"]+)"', content)
    matches = ' '.join(matches)

print(matches)

在这里使用 with 语句更像 pythonic。这也意味着您不必在之后调用 file.close()，因为 with 语句会处理它。