C#通过正则表达式实现提取网页中的图片

目前在做项目中有处理图片的部分，参考了一下网上案例，自己写了一个获取内容中的图片地址的方法。

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。
<img> <img/> <img src=/>

这一些标签不用考虑，因为没有图片资源地址。
<img src = /images/pic.jpg/ > <img src =" /images/pic.jpg" > <img src= '/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：@"<img\s*src\s*=\s*[""']?\s*(?[^\s""'<>]*)\s*/?\s*>"
<img width="320" height="240" src=/images/pic.jpg onclick="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：@"<img\b[^<>]*?\bsrc\s*=\s*[""']?\s*(?<imgUrl>[^\s""'<>]*)[^<>]*?/?\s*>"
<img width="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：@"<img\b[^<>]*?\bsrc[\s\t\r\n]*=[\s\t\r\n]*[""']?[\s\t\r\n]*(?<imgUrl>[^\s\t\r\n""'<>]*)[^<>]*?/?[\s\t\r\n]*>"

下面写出取得HTML中所有图片地址的类HvtHtmlImage：

using System.Text.RegularExpressions;
namespace HoverTree.HoverTreeFrame.HvtImage
{
public class HvtHtmlImage
{
/// <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[] GetHvtImgUrls(string sHtmlText)
{
// 定义正则表达式用来匹配 img 标签 
Regex m_hvtRegImg = new Regex(@"<img\b[^<>]*?\bsrc[\s\t\r\n]*=[\s\t\r\n]*[""']?[\s\t\r\n]*(?<imgUrl>[^\s\t\r\n""'<>]*)[^<>]*?/?[\s\t\r\n]*>", RegexOptions.IgnoreCase);

// 搜索匹配的字符串 
MatchCollection matches = m_hvtRegImg.Matches(sHtmlText);
int m_i = 0;
string[] sUrlList = new string[matches.Count];
// 取得匹配项列表 
foreach (Match match in matches)
sUrlList[m_i++] = match.Groups["imgUrl"].Value;
return sUrlList;
}
}
}

下面我们再来看一个例子

public Array MatchHtml(string html,string com)
    {
      List<string> urls = new List<string>();
      html = html.ToLower();
      //获取SRC标签中的URL
      Regex regexSrc = new Regex("src=\"[^\"]*[(.jpg)(.png)(.gif)(.bmp)(.ico)]\"");
      foreach(Match m in regexSrc.Matches(html))
      {
        string src = m.Value;
        src = src.Replace("src=","").Replace("\"","");
        if (!src.Contains("http"))
          src = com + src;
        if(!urls.Contains(src))
        urls.Add(src);
      }
      //获取HREF标签中URL
      Regex regexHref = new Regex("href=\"[^\"]*[(.jpg)(.png)(.gif)(.bmp)(.ico)]\"");
      foreach (Match m in regexHref.Matches(html))
      {
        string href = m.Value;
        href = href.Replace("href=", "").Replace("\"", "");
        if (!href.Contains("http"))
          href = com + href;
        if(!urls.Contains(href))
        urls.Add(href);
      }
      return urls.ToArray();
    }

[DllImport("kernel32.dll")]
    static extern bool SetConsoleMode(IntPtr hConsoleHandle, int mode);
    [DllImport("kernel32.dll")]
    static extern bool GetConsoleMode(IntPtr hConsoleHandle, out int mode);
    [DllImport("kernel32.dll")]
    static extern IntPtr GetStdHandle(int handle);
    const int STD_INPUT_HANDLE = -10;
    const int ENABLE_QUICK_EDIT_MODE = 0x40 | 0x80;
    public static void EnableQuickEditMode()
    {
      int mode; IntPtr handle = GetStdHandle(STD_INPUT_HANDLE);
      GetConsoleMode(handle, out mode);
      mode |= ENABLE_QUICK_EDIT_MODE;
      SetConsoleMode(handle, mode);
    }
    static void Main(string[] args)
    {
      EnableQuickEditMode();
      int oldCount = 0;
      Console.Title = "TakeImageFromInternet";
      string path = "E:\\Download\\loading\\";
      while (true)
      {
        Console.Clear();
        string countFile = "E:\\CountFile.txt";//用来计数的文本，以至于文件名不重复
        int cursor = 0;
        if (File.Exists(countFile))
        {
          string text = File.ReadAllText(countFile);
          try
          {
            cursor =oldCount = Convert.ToInt32(text);//次数多了建议使用long
          }
          catch { }
        }
        Console.Write("please input a url:");
        string url = "http://www.baidu.com/";
        string temp = Console.ReadLine();
        if (!string.IsNullOrEmpty(temp))
          url = temp;
        Match mcom = new Regex(@"^(?i)http://(\w+\.){2,3}(com(\.cn)?|cn|net)\b").Match(url);//获取域名
        string com = mcom.Value;
        //Console.WriteLine(mcom.Value);
        Console.Write("please input a save path:");
        temp = Console.ReadLine();
        if (Directory.Exists(temp))
          path = temp;
        Console.WriteLine();
        WebClient client = new WebClient();
        byte[] htmlData = null;
        htmlData = client.DownloadData(url);
        MemoryStream mstream = new MemoryStream(htmlData);
        string html = "";
        using (StreamReader sr = new StreamReader(mstream))
        {
          html = sr.ReadToEnd();
        }
        Array urls = new MatchHtmlImageUrl().MatchHtml(html,com);
 
        foreach (string imageurl in urls)
        {
         Console.WriteLine(imageurl);
          byte[] imageData = null;
          try
          {
            imageData = client.DownloadData(imageurl);
          }
          catch { }
          if (imageData != null && imageData.Length>0)
            using (MemoryStream ms = new MemoryStream(imageData))
            {
              try
              {
                
                string ext = Aping.Utility.File.FileOpration.ExtendName(imageurl);
                ImageFormat format = ImageFormat.Jpeg;
                switch (ext)
                {
                  case ".jpg":
                    format = ImageFormat.Jpeg;
                    break;
                  case ".bmp":
                    format = ImageFormat.Bmp;
                    break;
                  case ".png":
                    format = ImageFormat.Png;
                    break;
                  case ".gif":
                    format = ImageFormat.Gif;
                    break;
                  case ".ico":
                    format = ImageFormat.Icon;
                    break;
                  default:
                    continue;
                }
                Image image = new Bitmap(ms);
                if (Directory.Exists(path))
                  image.Save(path + "\\" + cursor + ext, format);
              }
              catch(Exception ex) { Console.WriteLine(ex.Message); }
            }
          cursor++;
        }
        mstream.Close();
        File.WriteAllText(countFile, cursor.ToString(), Encoding.UTF8);
        Console.WriteLine("take done...image count:"+(cursor-oldCount).ToString());
      }      
    }

频道导航

C#通过正则表达式实现提取网页中的图片

您可能感兴趣的文章: