Regex在HTML文档的图像标记中查找第一个图像

Question

在HTML文档中查找image标记中的第一个图像的正则表达式是什么？我之前的尝试并没有真正起作用，因为它们只是基于.jpg"进行匹配，并且没有考虑到边缘情况，比如在结束时具有缓存缓冲器时间戳的图像(asdf.jpg?581291823)

编辑:我使用的是Node.js。我想做HTML解析，但是我们有很多文档要解析，所以我不确定HTML解析是否是最好的选择，因为它需要相当多的时间。

Answer 1

正如anubhava正确指出的那样，正则表达式在解析HTML时并不是100%可靠的。然而，对于一次性任务(即非生产代码)，正则表达式解决方案可以做得很好(而且速度也很快)：

将来自第一个IMG元素的图像URL文件名(sans查询或片段)捕获到组$1中

<img\b[^>]+?src\s*=\s*['"]?([^\s'"?#>]+)

请注意，在某些边缘情况下，这是不起作用的。

编辑：将">"添加到被取反的SRC属性值字符类。

Answer 2

这是一个很好的例子，说明了使用正则表达式时棘手且不可靠的，以及使用HTML解析器时几乎非常简单的。为此使用解析器，而不是regex。

您还没有说您正在使用哪种语言，但是我听说过一些关于Beautiful Soup、HTML Purifier和HTML Agility Pack的非常好的消息，它们分别使用Python和.NET。相信我--使用save yourself some pain并使用它们。

编辑:如果你必须使用正则表达式，那就使用@‘s吧。

Answer 3

抓取html，一个简单且非常松散的正则表达式是：/\<img.*?src="(.*?)"/

使用真正的DOM解析器当然是首选方法。