C#經由過程正則表達式完成提取網頁中的圖片。本站提示廣大學習愛好者:(C#經由過程正則表達式完成提取網頁中的圖片)文章只能為提供參考,不一定能成為您想要的結果。以下是C#經由過程正則表達式完成提取網頁中的圖片正文
今朝在做項目中有處置圖片的部門,參考了一下網上案例,本身寫了一個獲得內容中的圖片地址的辦法。
普通來講一個 HTML 文檔有許多標簽,好比“<html>”、“<body>”、“<table>”等,想把文檔中的 img 標簽提掏出來其實不是一件輕易的事。因為 img 標簽款式變更多端,使提取的時刻用法式尋覓其實不輕易。因而想要尋覓它們就必需寫一個異常健全的正則表達式,否則有能夠會找得不全,或許找出來的不是准確的 img 標簽。
我們可以從 HTML 標簽的格局去想應當怎樣建這個正則表達式。起首要想一下 img 標簽有幾種寫法,疏忽年夜小寫不看的話,上面列出 img 標簽能夠湧現的幾種情形。
<img> <img/> <img src=/>
這一些標簽不消斟酌,由於沒有圖片資本地址。
<img src = /images/pic.jpg/ > <img src =" /images/pic.jpg" > <img src= '/images/pic.jpg ' / >
這一些標簽都有圖片資本地址,別的還有一個特色就是有引號對,能夠為單引號,也能夠為雙引號。由於不須要同時婚配引號對,所以正則表達式可以這麼寫:@"<img\s*src\s*=\s*[""']?\s*(?[^\s""'<>]*)\s*/?\s*>"
<img width="320" height="240" src=/images/pic.jpg onclick="window.open('/images/pic.jpg')">
由於 img 和 src 之間能夠會有其他的參數,所以“<img”要有個單詞停止,好比說不克不及是“<imgabc”,異樣 src 後面也是一樣,應用單詞停止符“\b”有一個利益就是省去了表現空格的“\s*”。別的因為 img 標簽中弗成以湧現“<”、“>”如許的符號,所以要改寫後面的正則表達式:@"<img\b[^<>]*?\bsrc\s*=\s*[""']?\s*(?<imgUrl>[^\s""'<>]*)[^<>]*?/?\s*>"
<img width="320" height="240" src = "
/images/pic.jpg" />
像這類能夠會用回車符折行的成績有時刻會湧現,所以在有空格離開的處所要包括回車換行和 TAB 字符,別的在圖片地址中不克不及湧現空格、TAB、回車和換行字符。
所以下面的正則表達式可以改成:@"<img\b[^<>]*?\bsrc[\s\t\r\n]*=[\s\t\r\n]*[""']?[\s\t\r\n]*(?<imgUrl>[^\s\t\r\n""'<>]*)[^<>]*?/?[\s\t\r\n]*>"
上面寫出獲得HTML中一切圖片地址的類HvtHtmlImage:
using System.Text.RegularExpressions; namespace HoverTree.HoverTreeFrame.HvtImage { public class HvtHtmlImage { /// <summary> /// 獲得HTML中一切圖片的 URL。 /// </summary> /// <param name="sHtmlText">HTML代碼</param> /// <returns>圖片的URL列表</returns> public static string[] GetHvtImgUrls(string sHtmlText) { // 界說正則表達式用來婚配 img 標簽 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); // 搜刮婚配的字符串 MatchCollection matches = m_hvtRegImg.Matches(sHtmlText); int m_i = 0; string[] sUrlList = new string[matches.Count]; // 獲得婚配項列表 foreach (Match match in matches) sUrlList[m_i++] = match.Groups["imgUrl"].Value; return sUrlList; } } }
上面我們再來看一個例子
public Array MatchHtml(string html,string com) { List<string> urls = new List<string>(); html = html.ToLower(); //獲得SRC標簽中的URL Regex regexSrc = new Regex("src=\"[^\"]*[(.jpg)(.png)(.gif)(.bmp)(.ico)]\""); foreach(Match m in regexSrc.Matches(html)) { string src = m.Value; src = src.WordStr("src=","").WordStr("\"",""); if (!src.Contains("http")) src = com + src; if(!urls.Contains(src)) urls.Add(src); } //獲得HREF標簽中URL Regex regexHref = new Regex("href=\"[^\"]*[(.jpg)(.png)(.gif)(.bmp)(.ico)]\""); foreach (Match m in regexHref.Matches(html)) { string href = m.Value; href = href.WordStr("href=", "").WordStr("\"", ""); 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";//用來計數的文本,以致於文件名不反復 int cursor = 0; if (File.Exists(countFile)) { string text = File.ReadAllText(countFile); try { cursor =oldCount = Convert.ToInt32(text);//次數多了建議應用long } catch { } } Console.Write("please input a url:"); string url = "http://www.百度.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);//獲得域名 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()); } }