最近的网站项目中有个关于网页取图的功能需要我自己开发，在查找了一大堆资料之后，终于得到了一个最好的方案，那就是用正则表达式来匹配图片标签。
一般来说一个 HTML 文档有很多标签，比如“<html>”、“<body>”、“<table>”等，想把文档中的 img 标签提取出来并不是一件容易的事。由于 img 标签样式变化多端，使提取的时候用程序寻找并不容易。于是想要寻找它们就必须写一个非常健全的正则表达式，不然有可能会找得不全，或者找出来的不是正确的 img 标签。
我们可以从 HTML 标签的格式去想应该怎么建这个正则表达式。首先要想一下 img 标签有几种写法，忽略大小写不看的话，下面列出 img 标签可能出现的几种情况。
<img> <img/> <img src=/>
这一些标签不用考虑，因为没有图片资源地址。
<img
src =
/images/pic.jpg/ >
<img src =" /images/pic.jpg"
> <img
src=
'/images/pic.jpg ' / >
这一些标签都有图片资源地址，另外还有一个特点就是有引号对，可能为单引号，也可能为双引号。因为不需要同时匹配引号对，所以正则表达式可以这么写：@"<imgs*srcs*=s*[""']?s*(?[^s""'<>]*)s*/?s*>"
<img
width="320" height="240"
src=/images/pic.jpg onclick="window.open('/images/pic.jpg')">
因为 img 和 src
之间可能会有其他的参数，所以“<img”要有个单词结束，比如说不能是“<imgabc”，同样
src
前面也是一样，使用单词结束符“”有一个好处就是省去了表示空格的“s*”。另外由于
img 标签中不可以出现“<”、“>”这样的符号，所以要改写前面的正则表达式：@"<img[^<>]*?srcs*=s*[""']?s*(?<imgUrl>[^s""'<>]*)[^<>]*?/?s*>"
<img
width="320" height="240"
src =
"
/images/pic.jpg"
/>
像这种可能会用回车符折行的问题有时候会出现，所以在有空格分开的地方要包含回车换行和
TAB
字符，另外在图片地址中不能出现空格、TAB、回车和换行字符。所以上面的正则表达式可以改成：@"<img[^<>]*?
src[s
]*=[s
]*[""']?[s
]*(?<imgUrl>[^s
""'<>]*)[^<>]*?/?[s
]*>"
下面写出取得HTML中所有图片地址的静态方法。
/// <summary>
/// 取得HTML中所有图片的 URL。
/// </summary>
/// <param
name="sHtmlText">HTML代码</param>
///
<returns>图片的URL列表</returns>
public static string[]
GetHtmlImageUrlList(string
sHtmlText)
{
// 定义正则表达式用来匹配 img
标签
Regex regImg
= new
Regex(@"<img[^<>]*?src[s
]*=[s
]*[""']?[s
]*(?<imgUrl>[^s
""'<>]*)[^<>]*?/?[s
]*>",
RegexOptions.IgnoreCase);
// 搜索匹配的字符串
MatchCollection matches = regImg.Matches(sHtmlText);
int i =
0;
string[] sUrlList = new
string[matches.Count];
// 取得匹配项列表
foreach (Match match in matches)
sUrlList[i++] = match.Groups["imgUrl"].Value;
return sUrlList;
}
该方法返回一个字符串数组，存放的就是从 sHtmlText 字符串中取得的图片地址列表。