Como você analisar uma string HTML para as tags de imagem para obter a informação SRC?
Pergunta
Atualmente eu uso .Net WebBrowser.Document.Images()
para fazer isso. Ela exige que o Webrowser
para carregar o documento. É confuso e ocupa recursos.
De acordo com a esta questão XPath é melhor do que um regex para isso.
Alguém sabe como fazer isso em C #?
Solução
Se a sua cadeia de entrada é XHTML você pode tratar é como xml, carregá-lo em um XmlDocument, e fazer XPath mágica :) Mas nem sempre é o caso.
Caso contrário, você pode tentar esta função, que irá retornar todas as ligações da imagem de HtmlSource:
public List<Uri> FetchLinksFromSource(string htmlSource)
{
List<Uri> links = new List<Uri>();
string regexImgSrc = @"<img[^>]*?src\s*=\s*[""']?([^'"" >]+?)[ '""][^>]*?>";
MatchCollection matchesImgSrc = Regex.Matches(htmlSource, regexImgSrc, RegexOptions.IgnoreCase | RegexOptions.Singleline);
foreach (Match m in matchesImgSrc)
{
string href = m.Groups[1].Value;
links.Add(new Uri(href));
}
return links;
}
E você pode usá-lo como este:
HttpWebRequest request = (HttpWebRequest)WebRequest.Create("http://www.example.com");
request.Credentials = System.Net.CredentialCache.DefaultCredentials;
HttpWebResponse response = (HttpWebResponse)request.GetResponse();
if (response.StatusCode == HttpStatusCode.OK)
{
using(StreamReader sr = new StreamReader(response.GetResponseStream()))
{
List<Uri> links = FetchLinksFromSource(sr.ReadToEnd());
}
}
Outras dicas
O grande problema com qualquer análise de HTML é a parte "bem formado". Você viu o HTML porcaria lá fora - como muito do que é realmente bem formado? Eu precisava fazer algo semelhante - parse out todos os links em um documento (e no meu caso) atualizá-los com um link reescrito. Achei o Html agilidade Pacote sobre no CodePlex. Balança (e alças mal formado HTML).
Aqui está um trecho de iteração sobre links em um documento:
HtmlDocument doc = new HtmlDocument();
doc.Load(@"C:\Sample.HTM");
HtmlNodeCollection linkNodes = doc.DocumentNode.SelectNodes("//a/@href");
Content match = null;
// Run only if there are links in the document.
if (linkNodes != null)
{
foreach (HtmlNode linkNode in linkNodes)
{
HtmlAttribute attrib = linkNode.Attributes["href"];
// Do whatever else you need here
}
}
Se tudo que você precisa é de imagens que eu só iria usar uma expressão regular. Algo como isso deve fazer o truque:
Regex rg = new Regex(@"<img.*?src=""(.*?)""", RegexOptions.IgnoreCase);
Se é xhtml válido, você poderia fazer isso:
XmlDocument doc = new XmlDocument();
doc.LoadXml(html);
XmlNodeList results = doc.SelectNodes("//img/@src");