php - 使用正则表达式从 html 代码中提取第一个图像源？

Question

我想知道这是如何实现的。

假设:有很多包含表格、div、图像等的 html 代码。

问题:如何获得所有匹配项。此外，具体来说，如何获取 img 标签源(src =？)。

例子:

<img src="http://example.com/g.jpg" alt="" />

如何打印出 http://example.com/g.jpg在这种情况下。我想假设我提到的 html 代码中还有其他标签，并且可能不止一张图片。是否可以在 html 代码中包含所有图像源的数组？

我知道这可以通过正则表达式来实现，但我无法掌握它。

非常感谢任何帮助。

Answer 1

虽然正则表达式适用于各种各样的任务，但我发现它在解析 HTML DOM 时通常不够用。 HTML 的问题在于您的文档的结构非常多变，因此很难准确(我所说的准确是指 100% 的成功率，没有误报)提取标签。

我建议您使用 DOM 解析器，例如 SimpleHTML 并这样使用它:

function get_first_image($html) {
    require_once('SimpleHTML.class.php')

    $post_html = str_get_html($html);

    $first_img = $post_html->find('img', 0);

    if($first_img !== null) {
        return $first_img->src;
    }

    return null;
}

有些人可能会认为这是矫枉过正，但最终，它会更容易维护，也允许更多的可扩展性。例如，使用 DOM 解析器，我还可以获得 alt 属性。

可以设计一个正则表达式来实现相同的目标，但会以强制 alt 的方式进行限制。属性在 src 之后反之亦然，克服此限制会增加正则表达式的复杂性。

此外，请考虑以下事项。正确匹配 <img>使用正则表达式标记并仅获取 src属性(在第 2 组中捕获)，您需要以下正则表达式:

<\s*?img\s+[^>]*?\s*src\s*=\s*(["'])((\\?+.)*?)\1[^>]*?>

然后，如果出现以下情况，上述操作可能会失败:

• 属性或标签名称大写， i 不使用修饰符。
• 不在 src 周围使用引号属性。
• 然后是另一个属性 src使用 >角色在他们的值(value)中的某个地方。
• 一些我没有预见到的其他原因。

所以再说一次，不要使用正则表达式来解析 dom 文档。

---

编辑:如果您想要所有图片:

function get_images($html){
    require_once('SimpleHTML.class.php')

    $post_dom = str_get_dom($html);

    $img_tags = $post_dom->find('img');

    $images = array();

    foreach($img_tags as $image) {
        $images[] = $image->src;
    }

    return $images;
}