当 "src"值不同时，捕获 标签的正则表达式失败

Question

我使用正则表达式提取 <img src="img.jpg">标签

这是我的正则表达式

my @accept = $message_body =~ /<img src=\"\S*\">/gi;

现在，当 img 标签如下时，我的正则表达式会失败:<img src="cid:img.jpg">

谁能告诉我为什么？

Answer 1

描述

\"\S*\" 的贪婪说它会在最后一个 " 之前匹配尽可能多的非空格字符出现在字符串中。您可以将其更改为 \".*?\"它将匹配下一个 " 之前的任何字符.

我会彻底修改你的表达式，这样它就可以避免一些其他困难的 HTML 边缘情况。

这个表达式将:

• 匹配具有 src 属性的 img 标签
• 获取src属性值
• 避免困惑的 html 边界情况，例如:
  • 喜欢>或者看起来像嵌入式 javascript 函数中的属性的东西
  • 以 src 结尾的属性喜欢hrefsrc="somevalue"
• 尽管因为您只查找单个属性而不用于此问题，(?=(?:[^>=]|='[^']*'|="[^"]*"|=[^'"][^\s>]*)*?\ssrc=['"]([^"]*)['"])构造允许多个属性以任意顺序出现在 img 标签内。

<img\b(?=\s)(?=(?:[^>=]|='[^']*'|="[^"]*"|=[^'"][^\s>]*)*?\ssrc=['"]([^"]*)['"])(?:[^>=]|='[^']*'|="[^"]*"|=[^'"\s]*)*\s?>

例子

实例:http://www.rubular.com/r/bRmdy0YA0S

示例文本

请注意第二个图像标签如何处理一些非常困难的边缘情况。

<img src="cid:img.jpg">
<img hrefsrc="NotMe.jpg" onmouseover=' src="NotTheMeEither.jpg" ; if ( 6 > x ) { funRotator(src) ; } ; ' src="cid:DifficultToFind.jpg">

匹配

[0][0] = <img src="cid:img.jpg">
[0][1] = cid:img.jpg

[1][0] = <img hrefsrc="NotMe.jpg" onmouseover=' src="NotTheMeEither.jpg" ; if ( 6 > x ) { funRotator(src) ; } ; ' src="cid:DifficultToFind.jpg">
[1][1] = cid:DifficultToFind.jpg