Question

我想从html代码中提取图像的Url，例如下面的HTML代码：

<div class="imageContainer">
   <img src="http://ecx.images-amazon.com/images/I/41%2B7N48F7JL._SL135_.jpg"
      alt="" width="135" height="94"
      style="margin-top: 21px; margin-bottom:20px;" /></div>

我从网上获得了一个代码

String regexImage = "(?<=<img (*)src=\")[^\"]*";
Pattern pImage = Pattern.compile(regexImage);
Matcher mImage = pImage.matcher(elementString);
while (mImage.find()) {
   String imagePath = mImage.group();}

正在运行并且具有重新（正则表达式）

"(?<=<img src=\")[^\"]*"

但是现在我想从html代码中提取图片网址，如下所示：

<img onerror="img_onerror(this);" data-logit="true" data-pid="MOBDDDBRHVWQZHYY"
   data-imagesize="thumb"
   data-error-url="http://img1a.flixcart.com/mob/thumb/mobile.jpg"
   src="http://img8a.flixcart.com/image/mobile/h/y/y/samsung-galaxy-s-duos-s7562-125x125-imadddczzr4qhqnc.jpeg"
   alt="Samsung Galaxy S Duos S7562: Mobile"
   title="Samsung Galaxy S Duos S7562: Mobile"></img></a>
<div class="bp-offer-image image-offer"></div>

img和src =

之间有代码

我正在尝试将正则表达式设为"(?<=<img (*)src=\")[^\"]*" 但它不起作用。所以请给我正则表达式，以便我可以从上面的html代码中提取图像网址，即http://ecx.images-amazon.com/images/I/61xqOQ3Sj8L._SL135_.jpg。

首先，我使用Jsoup解析html以提取包含img的标签：

doc = Jsoup.connect(urlFromBrowse).get();
            Elements elements = doc.getElementsByTag("img");

            for (Element element : elements) {
                String elementString = element.toString();

并将此elementString传递给matcher（）meathod。从我得到的标签（元素）中，我使用正则表达式来解析图片网址，命名等等。

Answer 1

这篇文章是问题的答案，而不是指南。

问题不是＆＃34; RegExp vs DOM＆＃34;，问题是＆＃34;正则表达式从html代码中提取图像网址＆＃34;。

这是：

String htmlFragment =
   "<img onerror=\"img_onerror(this);\" data-logit=\"true\" data-pid=\"MOBDDDBRHVWQZHYY\"\n" + 
   "   data-imagesize=\"thumb\"\n" + 
   "   data-error-url=\"http://img1a.flixcart.com/mob/thumb/mobile.jpg\"\n" + 
   "   src=\"http://img8a.flixcart.com/image/mobile/h/y/y/samsung-galaxy-s-duos-s7562-125x125-imadddczzr4qhqnc.jpeg\"\n" + 
   "   alt=\"Samsung Galaxy S Duos S7562: Mobile\"\n" + 
   "   title=\"Samsung Galaxy S Duos S7562: Mobile\"></img></a>";
Pattern pattern =
   Pattern.compile( "(?m)(?s)<img\\s+(.*)src\\s*=\\s*\"([^\"]+)\"(.*)" );
Matcher matcher = pattern.matcher( htmlFragment );
if( matcher.matches()) {
   System.err.println(
      "OK:\n" +
      "1: '" + matcher.group(1) + "'\n" +
      "2: '" + matcher.group(2) + "'\n" +
      "3: '" + matcher.group(3) + "'\n" );
}

和ouput：

OK:
1: 'onerror="img_onerror(this);" data-logit="true" data-pid="MOBDDDBRHVWQZHYY"
   data-imagesize="thumb"
   data-error-url="http://img1a.flixcart.com/mob/thumb/mobile.jpg"
   '
2: 'http://img8a.flixcart.com/image/mobile/h/y/y/samsung-galaxy-s-duos-s7562-125x125-imadddczzr4qhqnc.jpeg'
3: '
   alt="Samsung Galaxy S Duos S7562: Mobile"
   title="Samsung Galaxy S Duos S7562: Mobile"></img></a>'

Answer 2

根据docs JSoup（DOM解析器）可以在获得标记元素后轻松获取属性。像

这样的东西

doc.getElementsByTag("img").attr("src")

应该工作。

为了记录，我是一个Perl家伙，一个经常达到正则表达式的社区。我一直在努力启发人们使用DOM解析器而不是脆弱的正则表达式的快乐。

Answer 3

我希望您能够通过JSoup API获取<img>元素的各种属性。 Node.attributes()能为您提供所需内容吗？

正则表达式从html代码中提取图像URL

3 个答案: