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()); } }
上一篇:VS2015为console.readkey添加代码片段的方法
栏 目:.NET代码
本文标题:C#通过正则表达式实现提取网页中的图片
本文地址:http://www.codeinn.net/misctech/187009.html