画像とHTML文書を抽出する正規表現が必要です

Question

私は、（1）他のHTML文書、（2）.jpg、.pngなどの画像ファイルへのリンクを抽出しようとしている様々なHTML文書があります。 .bmp。私はこれを行うために正規表現が必要であり、それを理解するように見えることはできません。 =右SRC = "画像/ sample001を揃える：;：

---

IMGのスタイル= "20ピクセルは、MARGIN-BOTTOM：MARGIN-LEFT 20ピクセル"

htmlページのそれぞれには、次のようなコードを持っています。 JPG ">

IMGのスタイル=" MARGIN-BOTTOM：25ピクセル; MARGIN-LEFT：25ピクセル画像 "=右SRC =を合わせ "/ sample002.png">

IMGのスタイル=" MARGIN-BOTTOM：20ピクセル;マージン左：20ピクセル "align = right src =" images/sample003.bmp ">

"

href =" javascript：parent.POPUP（ "testDoc001.htm"、タイプ： '共有'、幅：600、高さ：645） {URL： 'testDoc002.html'、タイプ： '共有'、幅：700、高さ：712}） ">例として

---

は、正規表現は、上記のHTML上で動作し、得られたを生成しますアレイ：

画像/ sample001.jpg

画像/ sample002.png

の

画像/ sample003.bmp

testDoc001.htm

testDoc002.html

誰かが私を助けることはできますか？本当にありがとう。

Answer 1

HTMLを正規表現で解析しようとすると、欲求不満とバグがありません。 HTML Agility PackのようなHTMLパーサを使用してください。

Answer 2

たぶんイメージのため（グループを使用して）線に沿って何か：ポップアップ用

IMG[^>]*src="([^"]*)" 

と、このような何か：

url:'([^']*)' 

• も参照：正規表現テストツールを：http://rubular.com/r/W5aSrgMD8B

Answer 3

（Perl）

my $x = "your html"; 

#$1 - is a first group in match - (.+\.(jpg|png)) 
while ($x =~ /<img .* src="(.+\.(jpg|png))"/ig) { 
    print "$1\n"; 
} 

while ($x =~ /<a(.)* href=".*url:('|")(.+\.htm(l)?)('|").*/ig) { 
    print "$3\n"; 
} 

出力：

images/sample001.jpg 
images/sample002.png 
testDoc001.htm 
testDoc002.html 

正規表現<img .* src="(.+\.(jpg|png))"と<a(.)* href=".*url:('|")(.+\.htm(l)?)('|").*は、ほとんどの言語で類似しています。 igは、検索で大文字と小文字を区別しないで複数の一致があると定義しています