PHPを使用してhtmlからimg src、title、altを抽出する方法は？

https://stackoverflow.com/questions/138313

02-07-2019
|

質問

ウェブサイトにあるすべての画像がタイトルと代替表現でリストされているページを作成したいです。

すべてのHTMLファイルを検索してロードするための小さなプログラムをすでに作成しましたが、このHTMLからsrc、titleおよびaltを抽出する方法にこだわっています：

<img src="/image/fluffybunny.jpg" title="Harvey the bunny" alt="a cute little fluffy bunny" />

これはいくつかの正規表現で行う必要があると思いますが、タグの順序は異なる可能性があり、それらすべてを必要とするため、これをエレガントな方法で解析する方法は本当にわかりません（私はそれを行うことができます文字ごとにハードチャー、しかしそれは痛いです。

解決

編集：よくわかったので

regexpを使用してこの種の問題を解決するには悪い考えであり、保守不能で信頼性の低いコードになる可能性があります。 HTMLパーサーを使用することをお勧めします。

正規表現による解決

その場合、プロセスを2つの部分に分割することをお勧めします。

すべてのimgタグを取得
メタデータを抽出

ドキュメントはxHTMLに厳密ではないため、XMLパーサーを使用できません。例えば。このWebページのソースコード：

/* preg_match_all match the regexp in all the $html string and output everything as 
an array in $result. "i" option is used to make it case insensitive */

preg_match_all('/<img[^>]+>/i',$html, $result); 

print_r($result);
Array
(
    [0] => Array
        (
            [0] => <img src="/Content/Img/stackoverflow-logo-250.png" width="250" height="70" alt="logo link to homepage" />
            [1] => <img class="vote-up" src="/content/img/vote-arrow-up.png" alt="vote up" title="This was helpful (click again to undo)" />
            [2] => <img class="vote-down" src="/content/img/vote-arrow-down.png" alt="vote down" title="This was not helpful (click again to undo)" />
            [3] => <img src="http://www.gravatar.com/avatar/df299babc56f0a79678e567e87a09c31?s=32&d=identicon&r=PG" height=32 width=32 alt="gravatar image" />
            [4] => <img class="vote-up" src="/content/img/vote-arrow-up.png" alt="vote up" title="This was helpful (click again to undo)" />

[...]
        )

)

その後、ループですべてのimgタグ属性を取得します：

正規表現はCPUを集中的に使用するため、このページをキャッシュすることをお勧めします。キャッシュシステムがない場合は、 ob_start およびテキストファイルからの読み込み/保存。

この機能はどのように機能しますか？

まず、 preg_ match_ all を使用します。パターンに一致するすべての文字列を取得し、3番目のパラメーターに出力する関数。

正規表現：

<img[^>]+>

すべてのhtml Webページに適用します。 <！> quot; <img <！> quot;で始まり、<！> quot; <！> gt; <！> quot以外の文字列を含むすべての文字列として読み取ることができます。 charで終わり、<！> gt; で終わります。

(alt|title|src)=("[^"]*")

各imgタグに連続して適用します。 <！> quot; alt <！> quot;、<！> quot; title <！> quot;で始まるすべての文字列として読むことができます。または<！> quot; src <！> quot ;、次に<！> quot; = <！> quot ;、次に '<！> quot; '、' <！> quotではないものの束; 'で終わり、' <！> quot; '。（）の間の部分文字列を分離します。

最後に、正規表現に対処するたびに、すぐにテストするための優れたツールがあると便利です。このオンライン正規表現テスターを確認してください。

編集：最初のコメントに回答します。

一重引用符を使用している（願わくは少数の）人々については考えていなかったのは事実です。

まあ、 'のみを使用する場合は、すべての<！> quotを置き換えるだけです。によって '。

両方を混在させる場合。最初に自分自身を平手打ちする必要があります:-)、次に（<！> quot; | '）を代わりに使用するか、<！> quot; [^ <！>＃248;]で[^ <！> quot;]を置き換えます。

他のヒント

$url="http://example.com";

$html = file_get_contents($url);

$doc = new DOMDocument();
@$doc->loadHTML($html);

$tags = $doc->getElementsByTagName('img');

foreach ($tags as $tag) {
       echo $tag->getAttribute('src');
}

タスクにPHPのXML機能を使用する簡単な例を挙げます：

$doc=new DOMDocument();
$doc->loadHTML("<html><body>Test<br><img src=\"myimage.jpg\" title=\"title\" alt=\"alt\"></body></html>");
$xml=simplexml_import_dom($doc); // just to make xpath more simple
$images=$xml->xpath('//img');
foreach ($images as $img) {
    echo $img['src'] . ' ' . $img['alt'] . ' ' . $img['title'];
}

DOMDocument::loadHTML()メソッドを使用しました。このメソッドはHTML構文に対応でき、入力ドキュメントをXHTMLに強制しないためです。厳密に言うと、SimpleXMLElementへの変換は必要ありません。xpathを使用するだけで、xpathの結果がより簡単になります。

XHTMLの場合、例としては、simpleXMLのみが必要です。

<?php
$input = '<img src="/image/fluffybunny.jpg" title="Harvey the bunny" alt="a cute little fluffy bunny"/>';
$sx = simplexml_load_string($input);
var_dump($sx);
?>

出力：

object(SimpleXMLElement)#1 (1) {
  ["@attributes"]=>
  array(3) {
    ["src"]=>
    string(22) "/image/fluffybunny.jpg"
    ["title"]=>
    string(16) "Harvey the bunny"
    ["alt"]=>
    string(26) "a cute little fluffy bunny"
  }
}

このようにスクリプトを編集する必要があります

foreach( $result[0] as $img_tag)

preg_match_allは配列の配列を返すため

simplehtmldom を使用できます。ほとんどのjQueryセレクターはsimplehtmldomでサポートされています。以下に例を示します

// Create DOM from URL or file
$html = file_get_html('http://www.google.com/');

// Find all images
foreach($html->find('img') as $element)
       echo $element->src . '<br>';

// Find all links
foreach($html->find('a') as $element)
       echo $element->href . '<br>';

preg_matchを使用して実行しました。

私の場合、Wordpressから取得した<img>タグ（および他のマークアップ）を1つだけ含む文字列があり、timthumbで実行できるようにsrc属性を取得しようとしました。

// get the featured image
$image = get_the_post_thumbnail($photos[$i]->ID);

// get the src for that image
$pattern = '/src="([^"]*)"/';
preg_match($pattern, $image, $matches);
$src = $matches[1];
unset($matches);

タイトルまたはaltを取得するパターンでは、$pattern = '/title="([^"]*)"/';を使用してタイトルを取得するか、<=>を使用してaltを取得できます。悲しいことに、私の正規表現は、1つのパスで3つ（alt / title / src）をすべて取得するには不十分です。

これは、上記のすべての情報から似た目的で画像タグの幅と長さのプロパティをオンザフライで調整するPHP関数です。 >

function ReSizeImagesInHTML($HTMLContent,$MaximumWidth,$MaximumHeight) {

// find image tags
preg_match_all('/<img[^>]+>/i',$HTMLContent, $rawimagearray,PREG_SET_ORDER); 

// put image tags in a simpler array
$imagearray = array();
for ($i = 0; $i < count($rawimagearray); $i++) {
    array_push($imagearray, $rawimagearray[$i][0]);
}

// put image attributes in another array
$imageinfo = array();
foreach($imagearray as $img_tag) {

    preg_match_all('/(src|width|height)=("[^"]*")/i',$img_tag, $imageinfo[$img_tag]);
}

// combine everything into one array
$AllImageInfo = array();
foreach($imagearray as $img_tag) {

    $ImageSource = str_replace('"', '', $imageinfo[$img_tag][2][0]);
    $OrignialWidth = str_replace('"', '', $imageinfo[$img_tag][2][1]);
    $OrignialHeight = str_replace('"', '', $imageinfo[$img_tag][2][2]);

    $NewWidth = $OrignialWidth; 
    $NewHeight = $OrignialHeight;
    $AdjustDimensions = "F";

    if($OrignialWidth > $MaximumWidth) { 
        $diff = $OrignialWidth-$MaximumHeight; 
        $percnt_reduced = (($diff/$OrignialWidth)*100); 
        $NewHeight = floor($OrignialHeight-(($percnt_reduced*$OrignialHeight)/100)); 
        $NewWidth = floor($OrignialWidth-$diff); 
        $AdjustDimensions = "T";
    }

    if($OrignialHeight > $MaximumHeight) { 
        $diff = $OrignialHeight-$MaximumWidth; 
        $percnt_reduced = (($diff/$OrignialHeight)*100); 
        $NewWidth = floor($OrignialWidth-(($percnt_reduced*$OrignialWidth)/100)); 
        $NewHeight= floor($OrignialHeight-$diff); 
        $AdjustDimensions = "T";
    } 

    $thisImageInfo = array('OriginalImageTag' => $img_tag , 'ImageSource' => $ImageSource , 'OrignialWidth' => $OrignialWidth , 'OrignialHeight' => $OrignialHeight , 'NewWidth' => $NewWidth , 'NewHeight' => $NewHeight, 'AdjustDimensions' => $AdjustDimensions);
    array_push($AllImageInfo, $thisImageInfo);
}

// build array of before and after tags
$ImageBeforeAndAfter = array();
for ($i = 0; $i < count($AllImageInfo); $i++) {

    if($AllImageInfo[$i]['AdjustDimensions'] == "T") {
        $NewImageTag = str_ireplace('width="' . $AllImageInfo[$i]['OrignialWidth'] . '"', 'width="' . $AllImageInfo[$i]['NewWidth'] . '"', $AllImageInfo[$i]['OriginalImageTag']);
        $NewImageTag = str_ireplace('height="' . $AllImageInfo[$i]['OrignialHeight'] . '"', 'height="' . $AllImageInfo[$i]['NewHeight'] . '"', $NewImageTag);

        $thisImageBeforeAndAfter = array('OriginalImageTag' => $AllImageInfo[$i]['OriginalImageTag'] , 'NewImageTag' => $NewImageTag);
        array_push($ImageBeforeAndAfter, $thisImageBeforeAndAfter);
    }
}

// execute search and replace
for ($i = 0; $i < count($ImageBeforeAndAfter); $i++) {
    $HTMLContent = str_ireplace($ImageBeforeAndAfter[$i]['OriginalImageTag'],$ImageBeforeAndAfter[$i]['NewImageTag'], $HTMLContent);
}

return $HTMLContent;

}

PHPでの解決策は次のとおりです。

QueryPathをダウンロードして、次のようにします。

$doc= qp($myHtmlDoc);

foreach($doc->xpath('//img') as $img) {

   $src= $img->attr('src');
   $title= $img->attr('title');
   $alt= $img->attr('alt');

}

これで完了です！

このページで、domパーサーの使用は不要なオーバーヘッドであると訴える多くのコメントを読みました。まあ、それは単なる正規表現の呼び出しよりも高価かもしれませんが、OPはimgタグの属性の順序を制御できないと述べています。この事実は、不必要な正規表現パターンの畳み込みにつながります。さらに、domパーサーを使用すると、読みやすさ、保守性、dom-awareness（regexはdom-awareではありません）の追加の利点が得られます。

正規表現が大好きで、多くの正規表現の質問に答えますが、有効なHTMLを扱う場合、パーサーを正規表現する正当な理由はほとんどありません。

以下のデモンストレーションでは、引用符が混在する（および引用符がまったくない）任意の順序でimgタグ属性をDOMDocumentが簡単かつクリーンに処理する方法を参照してください。また、ターゲット属性を持たないタグはまったく破壊的ではないことに注意してください。空の文字列が値として提供されます。

コード：（デモ）

$test = <<<HTML
<img src="/image/fluffybunny.jpg" title="Harvey the bunny" alt="a cute little fluffy bunny" />
<img src='/image/pricklycactus.jpg' title='Roger the cactus' alt='a big green prickly cactus' />
<p>This is irrelevant text.</p>
<img alt="an annoying white cockatoo" title="Polly the cockatoo" src="/image/noisycockatoo.jpg">
<img title=something src=somethingelse>
HTML;

libxml_use_internal_errors(true);  // silences/forgives complaints from the parser (remove to see what is generated)
$dom = new DOMDocument();
$dom->loadHTML($test);
foreach ($dom->getElementsByTagName('img') as $i => $img) {
    echo "IMG#{$i}:\n";
    echo "\tsrc = " , $img->getAttribute('src') , "\n";
    echo "\ttitle = " , $img->getAttribute('title') , "\n";
    echo "\talt = " , $img->getAttribute('alt') , "\n";
    echo "---\n";
}

出力：

IMG#0:
    src = /image/fluffybunny.jpg
    title = Harvey the bunny
    alt = a cute little fluffy bunny
---
IMG#1:
    src = /image/pricklycactus.jpg
    title = Roger the cactus
    alt = a big green prickly cactus
---
IMG#2:
    src = /image/noisycockatoo.jpg
    title = Polly the cockatoo
    alt = an annoying white cockatoo
---
IMG#3:
    src = somethingelse
    title = something
    alt = 
---

プロのコードでこの手法を使用すると、クリーンなスクリプト、競合する問題の減少、他の場所で作業を希望する同僚の数が少なくなります。

ライセンス： CC-BY-SA と帰属

所属していません StackOverflow