萬盛學電腦網

您现在的位置: 萬盛學電腦網 >> 程式設計 >  >> 網頁製作 >> HTML 腳本教學

C# 正則表達式從 HTML 提取 img 標簽 src 屬性:命名捕獲組與 HtmlAgilityPack 方案對比

HTML 圖片提取:正則速查 vs HTML 解析器最佳實踐

從 HTML 字符串中提取所有 `` 標簽的 `src` 屬性值。提供正則表達式方案 (命名捕獲組) 和專業 HTML 解析器方案對比。

正則表達式方案

public static List GetPadImg(string htmlText)
{
    var list = new List();
    // 命名捕獲組 (?...) 直接提取 src 值
    var regImg = new Regex(
        @"]*?\bsrc\s*=\s*[""']?\s*(?[^\s""'<>]*)[^<>]*?/?\s*>", 
        RegexOptions.IgnoreCase | RegexOptions.Singleline
    );
    
    MatchCollection mc = regImg.Matches(htmlText);
    foreach (Match m in mc)
    {
        list.Add(m.Groups["imgUrl"].Value);
    }
    return list;
}

正則模式拆解

片段含義
`匹配 ``
`[^<>]*?`非貪婪匹配非尖括號字符 (屬性區)
`\bsrc\s*=\s*`匹配 `src=` 允許空格
[""']?`可選引號 (單雙引或無引號)
`\s*(?[^\s""'<>]*)`**核心**:捕獲非空白、非引號、非尖括號字符為 src 值
`[^<>]*?/?\s*>`匹配剩餘屬性、可選自閉合 `/`、結束 `>`

正則局限性 (必讀)

  • 屬性順序:假設 `src` 在標簽中間,若 `src` 在最後或有 `>` 在屬性值中會失敗
  • 嵌套引號:`src="path'with'quotes"` 會錯誤截斷
  • 編碼實體:`src="a&b.jpg"` 中的 `&` 可能被誤判
  • 條件註釋/腳本中:會誤提取註釋/字符串中的類 img 模式
  • HTML 非標準寫法:大寫 ``、無空格 ``、屬性無引號

專業方案:HtmlAgilityPack (強烈推薦)


// NuGet: Install-Package HtmlAgilityPack
using HtmlAgilityPack;

public static List GetImgSrcsWithHap(string html)
{
    var list = new List();
    var doc = new HtmlDocument();
    doc.LoadHtml(html);
    
    // XPath 精確選擇所有 img 元素的 src 屬性
    var nodes = doc.DocumentNode.SelectNodes("//img[@src]");
    if (nodes != null)
    {
        foreach (var node in nodes)
        {
            var src = node.GetAttributeValue("src", "");
            if (!string.IsNullOrEmpty(src))
                list.Add(HttpUtility.HtmlDecode(src)); // 解碼實體
        }
    }
    return list;
}

// 進階:同時獲取 data-src (懶加載)
var nodes = doc.DocumentNode.SelectNodes("//img[@src or @data-src]");
foreach (var node in nodes)
{
    var src = node.GetAttributeValue("src", "") 
           ?? node.GetAttributeValue("data-src", "");
    if (!string.IsNullOrEmpty(src)) list.Add(HttpUtility.HtmlDecode(src));
}

方案對比

維度正則表達式HtmlAgilityPack
準確性~85% (易漏提/誤提)99.9%+ (標準解析器)
性能極快 (單次掃描)較慢 (構建 DOM 樹)
依賴無 (內置)NuGet 包 (~500KB)
屬性解碼手動處理自動 `HtmlDecode`
容錯性脆弱極強 (修復殘缺 HTML)
推薦場景簡單提取、已知格式固定、極高性能要求**生產環境、通用 HTML、複雜屬性、需解碼**

現代 .NET 內置選項 (無第三方依賴)


// .NET 6+ System.Text.RegularExpressions 源生成器 (性能優化)
[GeneratedRegex(@"]*?\bsrc\s*=\s*[""']?\s*(?[^\s""'<>]*)", 
    RegexOptions.IgnoreCase | RegexOptions.Singleline)]
private static partial Regex ImgSrcRegex();

// .NET 7+ HTML 解析器 (實驗性/預覽)
// 目前無官方完整 HTML 解析器,建議仍用 HtmlAgilityPack 或 AngleSharp
copyright © 萬盛學電腦網 all rights reserved