如何使用正则表达式解析 <img src>？答案

【问题标题】：How can I parse <img src> with a regex?如何使用正则表达式解析 <img src>？
【发布时间】：2010-10-28 22:26:35
【问题描述】：

我需要一个聪明的正则表达式来匹配这些中的...：

<img src="..."
<img src='...'
<img src=...

我想匹配src的内部内容，但是只有如果它被“，'包围或没有。这意味着<img src=..."或<img src='...一定不能被接受。

任何想法如何用一个正则表达式匹配这 3 种情况。

到目前为止，我使用类似 ("|'|[\s\S])(.*?)\1 的东西，而我想要放松的部分是 hacky [\S\s]，我用它来匹配 ... 开头和结尾的“缺失符号”。

【问题讨论】：

stackoverflow.com/questions/1732348/…
听起来您真正需要的是 HTML 解析器，而不是正则表达式。
我使用 Java。而且我不需要 HTML 解析器...真的。
"clever" 和 "regex" 很少能有一个美好的结局。

标签： regex

【解决方案1】：

哇，我今天要回答第二个。

Don't parse HTML with regex。使用 HTML/XML 解析器，您的生活会轻松很多。 Tidy 将为您清理 HTML 代码，因此您可以先通过 Tidy 运行 HTML，然后再通过解析器。一些基于 tidy 的库除了 santizing 之外还会执行解析，因此您甚至可能不必通过另一个解析器运行它。

例如，Java 有JTidy，PHP 有PHP Tidy。

更新

根据我更好的判断，我给你这个：

/<img\s+src\s*=\s*(["'][^"']+["']|[^>]+)>/

仅适用于您的特定情况。即便如此，它也不会考虑图像源名称中转义的" 或' 或> 字符。可能还有许多其他限制。捕获组为您提供图像名称（如果名称被单引号或双引号括起来，它也会为您提供这些名称，但您可以将其去掉）。

【讨论】：

不，我打算不使用解析器。该任务很简单，只需一个小正则表达式即可完成。
我们要告诉您的是，该任务并不简单到可以通过一个小的正则表达式来完成。如果是的话，你早就做到了。
@Lucho，如果任务简单到可以通过正则表达式完成，你为什么要问我们？我们告诉您，该任务并不简单足以通过正则表达式（小或其他）来解决。
好吧，你说服了我 :-) 世界是残酷的，可能充满了丑陋和混乱的 html 代码，所以解析器是一种救援......但在一个完美的世界中，可能会有只是 grep img 标签的 src 属性的内容：D
@Lucho 也许，但可能不是 HTML 不规则 :)

【解决方案2】：

根据您用于解决此问题的脚本或编程语言，可以使用多个正则表达式或仅使用一个检查组的正则表达式来完成。

<img[^s]+src=("(.+)"|'(.+)'|(.+))[^/<]+(/>|</img>)

如果你想要的只是图像的 src 属性，那么你就没有可以使用解析器进行解析。事实上，如果您想要其他属性，只需使用不同的正则表达式。您将遇到图像标签的多个匹配问题，但在这种情况下，只需匹配图像标签，并为每个标签执行您想要的正则表达式。

【讨论】：