阅读包含Base64-Embedded格式的所有图像的网页

Question

在我的场景中，我想下载一个页面的HTML（互联网上的任何页面）programaticaly，但我也希望HTML中的所有图像都是 base64嵌入格式（未引用） ）

换句话说，而不是：

<img src='/images/delete.gif' />

我希望下载的html看起来像这样：

<img src="data:image/gif;base64,R0lGODl..." />

这样我就不需要经历将所有图像存储在目录等中的过程。

你们有谁知道如何做到这一点？或者任何有效执行此操作的插件？

Answer 1

嗯，你需要：

• 下载原始HTML
• 查找HTML中的每个img元素（例如使用HTML agility pack）和每个元素：
  • 如果它已经在使用数据网址，请忽略它
  • 否则：
  • 下载图片
  • 使用Convert.ToBase64String
  在Base64中对其进行编码
  • 将原始img标记替换为使用base64版本的标记（在原始字符串中，或​​通过DOM表示）
• 将最终的HTML保存到磁盘

这些步骤中的任何一个都会导致您遇到特定问题吗？你可以通过并行下载图像来加快速度，但我会先得到一个串行版本。

Answer 2

您可以考虑使用MHTML格式，而不是在src属性中使用带有图像作为base64编码字符串的html页面。大多数浏览器都支持该格式，它嵌入了所有外部资源（包括图像）。

var msg = new CDO.MessageClass();
msg.MimeFormatted = true;
msg.CreateMHTMLBody("http://www.google.com", CDO.CdoMHTMLFlags.cdoSuppressNone, "", "");
var stream = msg.GetStream();
var mhtml = stream.ReadText(stream.Size);

Answer 3

使用正则表达式（正则表达式）从img标记中提取URL，使用Uri类将它们转换为绝对URL，然后使用WebClient下载目标图像。之后，只是使用Convert.ToBase64String来生成Base64。