Question

我需要一种在HTML代码段中仅查找呈现的 IMG标记的方法。因此，我不能只使用HTML代码段来查找所有IMG标记，因为我还会获得在HTML中显示为文本的IMG标记（未呈现）。

我在AppEngine上使用Python。

有什么想法吗？

谢谢，伊万

Answer 1

渲染的img标签的源代码是这样的：

<img src="img.jpg"></img>

如果img标签显示为文本（未呈现），则html代码将如下所示：

 &lt;img src=&quot;styles/BWLogo.jpg&quot;&gt;&lt;/img&gt;

<是“＆lt;”字符>是“＆gt;”字符

要仅匹配渲染的img标记，可以使用正则表达式匹配由＆lt;形成的img标记。和＆gt;，而不是<和>

在“”之间隐藏字符时，还需要忽略评论中的Img标记

Answer 2

使用BeautifulSoup。它是Python的HTML / XML解析器，提供了导航，搜索和修改解析树的简单惯用方法。它可能不会被伪造的img标签弄错。

Answer 3

听起来像是BeautifulSoup的工作：

>>> from BeautifulSoup import BeautifulSoup
>>> doc = """
... <html>
... <body>
... <img src="test.jpg">
... &lt;img src="yay.jpg"&gt;
... <!-- <img src="ohnoes.jpg"> -->
... <img src="hurrah.jpg">
... </body>
... </html>
... """
>>> soup = BeautifulSoup(doc)
>>> soup.findAll('img')
[<img src="test.jpg" />, <img src="hurrah.jpg" />]

正如您所看到的，BeautifulSoup非常聪明，可以忽略评论并显示HTML。

编辑：我不确定你的RSS源转义所有图片是什么意思。我不希望BeautifulSoup弄清楚如果它们都被转义的话会显示哪些。你能说清楚吗？

Answer 4

由于图像标签可能位于某些＆lt; pre＆gt;之间。或＆lt; xmp＆gt;标记你可能需要遍历dom（=将html转换为xml / dom树并搜索它）并找到所有＆lt; img＆gt;节点。 python标准库中有一个xml.dom类：docs.python.org

您也可以在客户端上执行此操作并通过ajax将其报告回来（这意味着服务器上的负载会更多）。

在HTML文件中查找所有渲染的图像

4 个答案:

在HTML文件中查找所有*渲染的*图像

4 个答案:

在HTML文件中查找所有渲染的图像