提取所有图像和 HTML 的正则表达式答案

【问题标题】：Regular Expressions To Extract All Images And HTML提取所有图像和 HTML 的正则表达式
【发布时间】：2012-04-27 20:49:29
【问题描述】：

我正在尝试找出以下的正则表达式，但似乎无法正确理解。有人可以给我建议吗？

简而言之，我有一个 htmlString，它是：

        htmlString = "<HTML><HEAD></HEAD><BODY>Here are some images.</br>1) <IMG style='MARGIN-BOTTOM: 20px; MARGIN-LEFT: 20px' align=right src='images/sample001.jpg'>2) <IMG style='MARGIN-BOTTOM: 25px; MARGIN-LEFT: 25px' align=right src='images/sample002.png'></br> And some docs as well.</br>1) href='javascript:parent.POPUP({url:'testDoc001.htm',type:'shared',width:600,height:645})'></br>2) href='javascript:parent.POPUP({url:'testDoc002.html',type:'shared',width:700,height:712})'></br></BODY></HTML>";

我在 C#，WPF 中通过以下例程运行它：

    private static List<string> ExtractData(string htmlString)
    {
        List<string> data = new List<string>();

        //***  Get The Images ***
        string pattern = @"<img .* src='(.+\.(jpg|bmp|png))'";

        Regex rgx = new Regex(pattern, RegexOptions.IgnoreCase);
        MatchCollection matches = rgx.Matches(htmlString);

        for (int i = 0, l = matches.Count; i < l; i++)
        {
            data.Add(matches[i].Value);
        }

        //***  Get Html Pages ***
        pattern = @"url:'([^']*)'";

        rgx = new Regex(pattern, RegexOptions.IgnoreCase);
        matches = rgx.Matches(htmlString);

        for (int i = 0, l = matches.Count; i < l; i++)
        {
            data.Add(matches[i].Value);
        }

        return data;
    }--------------------------------------------------------------------------------------

我得到的结果是：

[0] = "2)

[1] = "url:'testDoc001.htm'"

[2] = "url:'testDoc002.html'"

我真正想要的是：

[0] = "图像/sample001.jpg"

[1] = "图像/sample002.png"

[2] = "testDoc001.htm"

[3] = "testDoc002.html"

有人能告诉我我在正则表达式中做错了什么吗？

谢谢

【问题讨论】：

在这里查看第一个答案：stackoverflow.com/questions/1732348/…
你想要的可能通过正则表达式是可行的，但它不会像你期望的那样整洁。你真的应该使用解析器来做到这一点。 stackoverflow.com/a/1732454/355724
Regular Expression to get the SRC of images in C#的可能重复

标签： c# wpf regex

【解决方案1】：

您最好使用HTML Agility Pack 进行此类工作。正如其他人所提到的，用于解析 HTML 的正则表达式，除了非常特殊的情况外，是一件很糟糕的事情。无论如何，您的正则表达式存在几个问题。第一个应该类似于：

<img.+?src\s*=\s*\'(.*?\.(jpg|bmp|png))'

【讨论】：