Как вы разбираете строку HTML для тегов изображений, чтобы получить информацию SRC?

Ответ 1

Если ваша строка ввода действительна, XHTML можно рассматривать как xml, загружать ее в xmldocument и делать XPath magic:) Но это не всегда так.

В противном случае вы можете попробовать эту функцию, которая вернет все ссылки на изображение из HtmlSource:

public List<Uri> FetchLinksFromSource(string htmlSource)
{
    List<Uri> links = new List<Uri>();
    string regexImgSrc = @"<img[^>]*?src\s*=\s*[""']?([^'"" >]+?)[ '""][^>]*?>";
    MatchCollection matchesImgSrc = Regex.Matches(htmlSource, regexImgSrc, RegexOptions.IgnoreCase | RegexOptions.Singleline);
    foreach (Match m in matchesImgSrc)
    {
        string href = m.Groups[1].Value;
        links.Add(new Uri(href));
    }
    return links;
}

И вы можете использовать его следующим образом:

HttpWebRequest request = (HttpWebRequest)WebRequest.Create("http://www.example.com");
request.Credentials = System.Net.CredentialCache.DefaultCredentials;
HttpWebResponse response = (HttpWebResponse)request.GetResponse();
if (response.StatusCode == HttpStatusCode.OK)
{
    using(StreamReader sr = new StreamReader(response.GetResponseStream()))
    {
        List<Uri> links = FetchLinksFromSource(sr.ReadToEnd());
    }
}

Ответ 2

Большая проблема с любым анализом HTML - это "хорошо сформированная" часть. Вы видели дерьмовый HTML там - насколько он действительно хорошо сформирован? Мне нужно было сделать что-то подобное - разобрать все ссылки в документе (и в моем случае) обновить их с помощью переписанной ссылки. Я нашел Html Agility Pack над CodePlex. Он качается (и обрабатывает неверный HTML).

Вот фрагмент для итерации по ссылкам в документе:

HtmlDocument doc = new HtmlDocument();
doc.Load(@"C:\Sample.HTM");
HtmlNodeCollection linkNodes = doc.DocumentNode.SelectNodes("//a/@href");

Content match = null;

// Run only if there are links in the document.
if (linkNodes != null)
{
    foreach (HtmlNode linkNode in linkNodes)
    {
        HtmlAttribute attrib = linkNode.Attributes["href"];
        // Do whatever else you need here
    }
}

Оригинальная запись в блоге

Ответ 3

Если вам нужны только изображения, я бы просто использовал регулярное выражение. Что-то вроде этого должно сделать трюк:

Regex rg = new Regex(@"<img.*?src=""(.*?)""", RegexOptions.IgnoreCase);

Ответ 4

Если он действителен xhtml, вы можете сделать это:

XmlDocument doc = new XmlDocument();
doc.LoadXml(html);
XmlNodeList results = doc.SelectNodes("//img/@src");