前言

有玩過爬蟲的人應(yīng)該都有過在又臭又長的HTML中找尋信息的經(jīng)歷，雖然有各種工具和各種框架可以輔助查找，但是解析HTML的規(guī)則也是人想的，制定規(guī)則也是十分麻煩的。
恰好在個人的項目中，需要從某個網(wǎng)站中爬取圖片，好在需求比較簡單，所以試著使用正則表達(dá)式來解決。

分析

每個網(wǎng)站中展示圖片的地方，無非就是img標(biāo)簽或者style中background-image和background，先解決img標(biāo)簽中的圖片。
首先，地址在標(biāo)簽的src屬性之中，所以找尋src的位置是必須的。但是不只有img標(biāo)簽擁有src屬性，video和style也同樣擁有src屬性。因此，只匹配src的位置是不夠，還得確保這個src的位置在img標(biāo)簽中。

然后，就是匹配src后面的地址，匹配地址的方法已經(jīng)有許多文章描述過了，不再多說，但本文中用了一個比較取巧的方式去匹配。

總的思路就是先匹配src的位置，在獲取圖片地址。

正則表達(dá)式

• 首先是匹配src的位置，既然是找位置，那就需要用的正則表達(dá)式中預(yù)查(?)，因為需要的圖片地址是在src后面，所以用反向肯定預(yù)查，所以初步確定正則表達(dá)式可寫成:

/(?<=判斷條件)/ 至于反向肯定預(yù)查的判斷條件，就是在img之后的src，所以正則表達(dá)式改成如下： /(?<=(img src="))/ 之所以匹配src=", 是因為想要直接就匹配到地址的開頭位置，于是就順手加上。
但是，因為img和src之間可能還存在class或者其他自定義屬性，所以還要加上這些可能存在字符的匹配。但是因為這些字符的種類比較多，如雙引號""，英文、數(shù)字、甚至是中文等等，一一匹配過于麻煩，有個取巧的方式就是匹配非>。
眾所周知，>在HTML中是一個標(biāo)簽的結(jié)尾，所以它不可能出現(xiàn)在img標(biāo)簽內(nèi)的img字符和src字符的中間，所以匹配位置的正則表達(dá)式可寫成: /(?<=(img[^>]*src="))/

可以看到，能夠成功找到圖片地址的開頭位置。

• 既然位置找到了，那剩下的就是匹配地址了。這里可以使用其他相關(guān)文章說的匹配地址的正則表達(dá)式，但是和上面一樣，同樣可以取巧。
  在HTML標(biāo)簽中，圖片地址是以雙引號"開頭和結(jié)尾的，上面的匹配位置已經(jīng)匹配到圖片開頭的雙引號之后，那么圖片地址還剩下一個雙引號，就是結(jié)尾的那個。
  那么，直接匹配所有連續(xù)不為"的字符不就可以了，思路可能有點復(fù)雜，但是寫起來簡單：

/[^"]*/

• 因此，總的正則表達(dá)式為:

/(?<=(img[^>]*src="))[^"]*/g 結(jié)尾加個g是表示匹配所有符合條件的字符串，現(xiàn)在就可以匹配出圖片地址了：

總結(jié)

到此這篇關(guān)于正則表達(dá)式從HTML中匹配img標(biāo)簽圖片地址的文章就介紹到這了,更多相關(guān)正則表達(dá)式匹配img標(biāo)簽圖片地址內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論