用正则表达式自动下载网页中的图片 - Mainz

用正则表达式自动下载网页中的图片

本文讲述了如何自动下载网页中的图片。首先获得网页的Html代码，然后用正则表达式分析其中图片的下载地址，最后自动逐个下载。

首先获得网页的Html代码，然后用正则表达式分析其中图片的下载地址，最后自动逐个下载。

Code
 using System.Net;
 
 /**///// <summary>
 /// Download Image from website
 /// better to put into threads
 /// </summary>
 private void DownloadImage()
 {
      WebClient c = new WebClient();

      //Get html code
      string content = c.DownloadString(Uri);
      
      Collection<string> address = new Collection<string>();
      Collection<string> name = new Collection<string>();
      
      //Analyse html code to get images address(Uri) and (Name) list
      ParseHtml(content, Prefix, PicUriPrefix + @"(?<Uri>[^""]*?)"">(?<Name>[^<]*?)</dt>", address, name);
      
      if (address.Count > 0 && name.Count > 0 && address.Count == name.Count)
      {
          if (Directory.Exists(folder) == false) Directory.CreateDirectory(folder);//Create folder
      
          foreach (string add in address)
          {
              //Download images one by one
              c.DownloadFile(add, Path.Combine(folder, name[address.IndexOf(add)] + ".jpg"));
          }
      }
  }

  /**//// <summary>
  /// Parse Html using regular expressions
  /// </summary>
  /// <param name="content">Html content</param>
  /// <param name="prefix">Uri prefix</param>
  /// <param name="expression">regular expression</param>
  /// <param name="address">Image addresses collection</param>
  /// <param name="name">Image names collection</param>
  private void ParseHtml(string content, string prefix, string expression, Collection<string> address, Collection<string> name)
  {
      if (String.IsNullOrEmpty(expression) || address == null || name == null) return;

      Regex re = new Regex(expression, RegexOptions.IgnoreCase | RegexOptions.Singleline | RegexOptions.RightToLeft);
      MatchCollection mc = re.Matches(content);
                
      if (mc == null || mc.Count == 0) return;

      foreach (Match m in mc)
      {
          address.Add(prefix + m.Groups["Uri"].Value);
         name.Add(m.Groups["Name"].Value);
      }
  } 

Html部分代码如下：

Html code
alt="" src="/docfile/dyn/12345678LANGCCCCDDDDEEEEEEEERT09">BMW 3-series</dt>\par
alt="" src="/docfile/dyn/12345678LANGCCCCDDDDEEEEEEEEEE01">Toyota</dt>\par
alt="" src="/docfile/dyn/12345678LANGCCCCDDDDEEEEEEEEJY25">Polo cross</dt>\par
alt="" src="/docfile/dyn/12345678LANGCCCCDDDDEEEEEEEEMO02">Golf 4.5</dt>\par

要用正则表达式从中获得图片下载地址（例如：/docfile/dyn/12345678LANGCCCCDDDDEEEEEEEERT09）和图片名称（例如：BMW 3-series）

正则表达式部分如下：

Regular expression
@"/docfile/dyn/(?<Uri>[^""]*?)"">(?<Name>[^<]*?)</dt>"

注意其中group的用法(? *?)，和引号的匹配用法，匹配双引号前面需要再带一个双引号。其中Uri这个group在dyn/后面，直到双引号结束；后面跟随着双引号和>，然后就是Name这个group；它以<号结束，最后跟随</dt>。