regex - 如何使用正则表达式提取 HTML img 源？

Question

我需要从 HTML 文档中的所有图像标签中提取 src 元素。

因此，输入是一个 HTML 页面，输出将是一个指向图像的 URL 列表:
例如... http://www.google.com/intl/en_ALL/images/logo.gif

以下是我到目前为止的想法:

<img\s+src=""(http://.*?)

这不适用于 src 不在 img 标签之后的标签，例如:

<img height="1px" src="spacer.gif">

有人可以帮助完成这个正则表达式吗？这很容易，但我认为这可能是获得答案的更快方法。

Answer 1

以下正则表达式片段应该可以工作。

<img[^>]+src="([^">]+)"

它查找以 <img 开头的文本, 后跟一个或多个不是 > 的字符，然后 src=" .然后它会抓取该点和下一个 " 之间的所有内容。或 > .

但如果可能，请使用真正的 HTML 解析器。它更可靠，并且可以更好地处理边缘情况。