使用 Java 正则表达式自定义 HTML img 标签答案

【问题标题】：Customize HTML img tags with Java Regular Expressions使用 Java 正则表达式自定义 HTML img 标签
【发布时间】：2013-09-24 22:07:14
【问题描述】：

我是正则表达式的新手，但我相信这是我解决方案的方法。我正在尝试采用任意 HTML sn-p 并自定义图像标签。例如，

如果我有这个 HTML 代码： <><><><><img src="blah.jpg"><><><><><><><><img src="blah2.jpg"><><><>

我想把它变成： <><><><><img src="images/blah.jpg"><><><><><><><><img src="images/blah2.jpg"><><><>

我现在的代码是这样的：

Pattern p = Pattern.compile("<img.*src=\".*\\..*\"");
Matcher m = p.matcher(htmlString);
boolean b = m.find();

String imgPath = "src=\"images/";

while(b)
{
    //Get file name.
    String name="test.jpg\"";

    //Assign new path.
    m.group().replaceAll("src=\".*\"",imgPath+name);
}

【问题讨论】：

我不知道我在做什么。我不知道正则表达式应该是什么样子，也不知道如何用修改后的版本替换原始 HTML。
问题是你不应该使用正则表达式来解析 HTML。例如，.* 仅搜索同一行中的字符，因此 img 和 src 之间的返回会中断搜索。其次，img.*src 是不正确的：这会搜索 img 和任意数量的字符以及 last 在同一行上出现的src。你不想要那个；它会在您的示例中以相同的结果捕获两个图像。 HTML 属性可以有单引号而不是双引号。 HTML 允许 = 符号周围的空格，但您的正则表达式不允许。以此类推。
我明白你在说什么，但同时我不知道如何继续使用另一种方法来分解 HTML 标签。然而，我现在有某种功能代码，但有一些问题。 img 标签正在定制，但我现在遇到的问题是它总是将每个 img 标签设置为相同的定制。例如，对于所有的 img 标签都会变成。
我无法从您在此处发布的 Java 源代码中看到您到底想要做什么。（这是一个无限循环，因为b 永远不会改变。）我很确定基本问题就像我提到的那样：正则表达式返回<img src="blah"><><><><img src="blah2" 而不仅仅是<img src="blah"
由于我已经接近解决方案，我会考虑使用 switch 语句来解决您提到的一些变体（或者我可以尝试更多地了解正则表达式，以可能想出更好的东西）。用最简单的术语来说，我试图获取源属性并在文件名之前插入一个文件夹名。此外，如果我可以得到 img 标签上的所有匹配项，那么我可以根据需要得到所有文件名，我的代码就差不多完成了。

标签： java html regex

【解决方案1】：

Regular expressions are not the correct way to parse HTML.别这样。不可能做到正确。

Use a proper parser.

Document doc = Jsoup.parse(someHtml);
Elements imgs = doc.select("img");
for (Element img : imgs) {
    img.attr("src", "images/" + img.attr("src")); // or whatever
}

doc.outerHtml(); // returns the modified HTML

【讨论】：

【解决方案2】：

这段代码几乎是完美的。它会打印出很多信息，因此请查找显示“最终结果”和“原始”的位置以查看自定义 IMG 标签的结果。有一个小缺陷，我仍然不知道如何修复。 “in10”是用于测试输入字符串的变量。其余的都是正则表达式。

我注意到，当我使用换行符以及将“src=”留空而不是“src=\”\“”或“src=''”时，会出现问题。引号似乎会影响结果。

private static String r16 = "(?s)(<img.*?)(src\\s*?=\\s*?(?:\"|').*?(?:\"|'))";
private static String in10 = "<><><><><img width=1 height=888 src=\"bnm.jpg\"<><><><><img src=\"\"> <img src = \"\"><img src ='folder1/folder2/bnm.jpg'><><><img src =\"'>";
private static String r14 = "(?s)\\/|\\=";




    String path="images/";
    String name="";

   Pattern p = Pattern.compile(r16);

   Matcher m = p.matcher(in10); 


   StringBuffer sb = new StringBuffer();
   int i=1;
   while(m.find())
   {
        String g0 = m.group();
        String g2 = m.group(2);
        System.out.println("Main group"+i+":"+g0);
        System.out.println("Inner group1:"+m.group(1));
        System.out.println("Inner group2:"+g2);




            String[] names=g2.split(r14);
            printNames(names);

            /*
             * src="/folder1/folder2/blah.jpg"  --->  blah.jpg
             * src="bnm.jpg"                    --->  src="bnm.jp"
             */

            if(names.length>=1)
            {
                name = names[names.length-1];
            }
            else
            {
                name = "";
            }
        //Name might be empty string.
        name = name.replaceAll("\"|'","");
        System.out.println("Retrieved Name:"+name);
        m.appendReplacement(sb,"$1src=\""+path+name+"\"");
        i++;
   }
   m.appendTail(sb);
    INPUT=sb.toString();
   System.out.println("Final Result:"+INPUT);
   System.out.println("Original____:"+in10);
   System.out.println("Count:"+m.groupCount());        
}

【讨论】：

我对上面的正则表达式做了一些小的调整。我现在相信代码可以工作，但需要执行更多测试。特别是，r17 包括 "(?s)" 和 r14 = "(?s)\\/|(\\s*+\\=\\s*+)" 还要注意，但一个非常小的细节是何时src='' 被替换了，不管用什么引号，我总是用双引号替换，而不是让前面的引号原封不动。
更新：r17 完全删除，不再需要。一些测试显示 r16 的正则表达式需要更改，因为它不应该与 src= 或 src=\" 或 src=' 匹配，换句话说，必须使用某种双引号。另外，我不知道如何在 Windows O/S 中表示换行符，因此对于我使用的测试字符串： System.getProperty("line.separator") 在字符串中表示换行符；使用换行符时代码似乎按预期工作。
我意识到 r16 只有 src='src=' 有问题，换句话说，如果 src= 是嵌套的。我不知道如何从匹配中否定并删除它。以前我显示错误的原始字符串并认为我的模式与 src= 匹配，但实际上并非如此。我会更新代码。

【解决方案3】：

你不应该为此使用正则表达式。josh3736 所说的方式是健壮的。但是如果你想使用正则表达式，你应该使用：

String s = "<><><><><img src=\"blah.jpg\"><><><><><><><><img src=\"blah2.jpg\"><><><>";
s = s.replaceAll("(?<=img src=\")([^\"]+)(?=\">)","images/$1");
System.out.println(s);

输出：

<><><><><img src="images/blah.jpg"><><><><><><><><img src="images/blah2.jpg"><><><>

【讨论】：

【解决方案4】：

虽然我同意其他人的观点，即使用正则表达式执行此操作是修改 html 片段的错误方法，但这里有一个 JUnit 测试用例，展示了如何用 Java 中的模式替换 src 元素：

import static org.junit.Assert.*;
import static org.hamcrest.CoreMatchers.*;

import java.util.regex.Pattern;
import java.util.regex.Matcher;

import org.junit.Test;

public class ImgSrcReplace {

  @Test
  public void replaceWithRegex() {
    String dir = "image/";
    String htmlFragment = "<body>\n"+
    "<img src=\"single-line.jpg\">"+
    "<img src=\n"+
    "\"multiline.jpg\">\n"+
    "<img src='single-quote.jpg'><img src=\"broken.gif\'>"+
    "<img class=\"before\" src=\"class-before.jpg\">"+
    "<img src=\"class-after.gif\" class=\"after\">"+
    "</body>";


    Pattern replaceImgSrc =
      Pattern.compile(
        "(<img\\b[^>]*\\bsrc\\s*=\\s*)([\"\'])((?:(?!\\2)[^>])*)\\2(\\s*[^>]*>)",
        Pattern.CASE_INSENSITIVE&Pattern.MULTILINE);

    String result = 
      replaceImgSrc.matcher(htmlFragment)
        .replaceAll("$1$2"+Matcher.quoteReplacement(dir)+"$3$2$4");

    assertThat("the single line image tag was updated", result, 
      containsString("image/single-line.jpg"));
    assertThat("the multiline image tag was updated", result, 
      containsString("image/multiline.jpg"));
    assertThat("the single quote image tag was updated", result, 
      containsString("image/single-quote.jpg"));
    assertThat("the broken gif was ignored.", result, 
      containsString("\"broken.gif'"));
    assertThat("attributes before are preseved.", result, 
      containsString("<img class=\"before\" src=\"image/class-before.jpg\">"));
    assertThat("attributes after are preseved.", result, 
      containsString("<img src=\"image/class-after.gif\" class=\"after\">"));
  }

}

【讨论】：