获取引用不一致的<img>标签的src值

Question

我需要一个聪明的正则表达式来匹配这些中的

...

：

<img src="..."
<img src='...'
<img src=...

我想匹配

src

的内部内容，但是 only 如果它被 ", ' 包围或没有。这意味着

<img src=..."

或

<img src='...

不能被接受。

有什么想法可以用一个正则表达式来匹配这 3 种情况。

到目前为止，我使用类似这样的东西

("|'|[\s\S])(.*?)\1

，我想要放松的部分是老套的

[\S\s]

，我用它来匹配

...

开头和结尾的“缺失符号”。

Answer 1

哇，我今天回答的第二个。

不要使用正则表达式解析 HTML。使用 HTML/XML 解析器，您的生活将会变得更加轻松。 Tidy 将为您清理 HTML 代码，因此您可以先通过 Tidy 运行 HTML，然后通过解析器运行 HTML。一些基于 tidy 的库除了清理之外还会执行解析，因此您甚至可能不需要通过另一个解析器运行它。

例如，Java 有 JTidy，PHP 有 PHP Tidy。

更新

根据我更好的判断，我给你这个：

/<img\s+src\s*=\s*(["'][^"']+["']|[^>]+)>/

这只适用于您的具体情况。即便如此，它也不会考虑图像源名称中转义的

"

或

'

或

>

字符。可能还有很多其他限制。捕获组为您提供图像名称（如果名称用单引号或双引号引起来，它也会为您提供这些名称，但您可以将它们删除）。

Answer 2

根据您用来解决此问题的脚本或编程语言，可以使用多个正则表达式或仅使用一个检查组的正则表达式来完成。

<img[^s]+src=("(.+)"|'(.+)'|(.+))[^/<]+(/>|</img>)

如果您想要的只是图像 src 属性，则无需 有 使用解析器进行解析。事实上，如果您想要其他属性，只需使用不同的正则表达式即可。您将遇到图像标签多次匹配的问题，但在这种情况下，只需匹配图像标签，并为每个标签执行您想要的正则表达式。