Question

目前我使用.Net WebBrowser.Document.Images()来执行此操作。它需要Webrowser来加载文档。它很乱，占用资源。

根据this question XPath在这方面优于正则表达式。

任何人都知道如何在C＃中做到这一点？

Answer 1

如果您的输入字符串是有效的XHTML，您可以将其视为xml，将其加载到xmldocument中，并执行XPath魔法:)但情况并非总是如此。

否则你可以尝试这个函数，它将返回来自HtmlSource的所有图像链接：

public List<Uri> FetchLinksFromSource(string htmlSource)
{
    List<Uri> links = new List<Uri>();
    string regexImgSrc = @"<img[^>]*?src\s*=\s*[""']?([^'"" >]+?)[ '""][^>]*?>";
    MatchCollection matchesImgSrc = Regex.Matches(htmlSource, regexImgSrc, RegexOptions.IgnoreCase | RegexOptions.Singleline);
    foreach (Match m in matchesImgSrc)
    {
        string href = m.Groups[1].Value;
        links.Add(new Uri(href));
    }
    return links;
}

你可以像这样使用它：

HttpWebRequest request = (HttpWebRequest)WebRequest.Create("http://www.example.com");
request.Credentials = System.Net.CredentialCache.DefaultCredentials;
HttpWebResponse response = (HttpWebResponse)request.GetResponse();
if (response.StatusCode == HttpStatusCode.OK)
{
    using(StreamReader sr = new StreamReader(response.GetResponseStream()))
    {
        List<Uri> links = FetchLinksFromSource(sr.ReadToEnd());
    }
}

Answer 2

任何HTML解析的大问题都是“格式良好”的部分。你已经在那里看到了垃圾HTML - 它有多少真的很好？我需要做类似的事情 - 解析文档中的所有链接（在我的情况下）用重写的链接更新它们。我在CodePlex上发现了Html Agility Pack。它摇滚（并处理格式错误的HTML）。

这是一个用于迭代文档中链接的片段：

HtmlDocument doc = new HtmlDocument();
doc.Load(@"C:\Sample.HTM");
HtmlNodeCollection linkNodes = doc.DocumentNode.SelectNodes("//a/@href");

Content match = null;

// Run only if there are links in the document.
if (linkNodes != null)
{
    foreach (HtmlNode linkNode in linkNodes)
    {
        HtmlAttribute attrib = linkNode.Attributes["href"];
        // Do whatever else you need here
    }
}

Original Blog Post

Answer 3

如果您需要的只是图像，我会使用正则表达式。这样的事情可以解决问题：

Regex rg = new Regex(@"<img.*?src=""(.*?)""", RegexOptions.IgnoreCase);

Answer 4

如果它是有效的xhtml，你可以这样做：

XmlDocument doc = new XmlDocument();
doc.LoadXml(html);
XmlNodeList results = doc.SelectNodes("//img/@src");

如何解析图像标记的HTML字符串以获取SRC信息？

4 个答案: