Как извлечь img src, title и alt из html с помощью php?
-
02-07-2019 - |
Вопрос
Я хотел бы создать страницу, на которой все изображения, находящиеся на моем веб-сайте, будут перечислены с заголовком и альтернативным представлением.
Я уже написал небольшую программу для поиска и загрузки всех файлов HTML, но теперь застрял в том, как их извлечь. src
, title
и alt
из этого HTML:
<img источник="/image/fluffybunny.jpg" заголовок="Harvey the bunny" альтернативный вариант="a cute little fluffy bunny" />
Я предполагаю, что это должно быть сделано с помощью некоторого регулярного выражения, но поскольку порядок тегов может варьироваться, и мне нужны все они, я действительно не знаю, как проанализировать это элегантным способом (я мог бы сделать это с помощью жесткого символа, чар, но это больно).
Решение
РЕДАКТИРОВАТЬ :теперь, когда я знаю лучше
Использование регулярного выражения для решения такого рода проблем плохая идея и, скорее всего, приведет к созданию неподдерживаемого и ненадежного кода.Лучше используйте HTML-парсер.
Решение с регулярным выражением
В этом случае лучше разделить процесс на две части:
- получить весь тег img
- извлечь их метаданные
Я предполагаю, что ваш документ не является строгим xHTML, поэтому вы не можете использовать синтаксический анализатор XML.НАПРИМЕР.с исходным кодом этой веб-страницы:
/* 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)" />
[...]
)
)
Затем мы получаем все атрибуты тега img с помощью цикла:
$img = array();
foreach( $result as $img_tag)
{
preg_match_all('/(alt|title|src)=("[^"]*")/i',$img_tag, $img[$img_tag]);
}
print_r($img);
Array
(
[<img src="/Content/Img/stackoverflow-logo-250.png" width="250" height="70" alt="logo link to homepage" />] => Array
(
[0] => Array
(
[0] => src="/Content/Img/stackoverflow-logo-250.png"
[1] => alt="logo link to homepage"
)
[1] => Array
(
[0] => src
[1] => alt
)
[2] => Array
(
[0] => "/Content/Img/stackoverflow-logo-250.png"
[1] => "logo link to homepage"
)
)
[<img class="vote-up" src="/content/img/vote-arrow-up.png" alt="vote up" title="This was helpful (click again to undo)" />] => Array
(
[0] => Array
(
[0] => src="/content/img/vote-arrow-up.png"
[1] => alt="vote up"
[2] => title="This was helpful (click again to undo)"
)
[1] => Array
(
[0] => src
[1] => alt
[2] => title
)
[2] => Array
(
[0] => "/content/img/vote-arrow-up.png"
[1] => "vote up"
[2] => "This was helpful (click again to undo)"
)
)
[<img class="vote-down" src="/content/img/vote-arrow-down.png" alt="vote down" title="This was not helpful (click again to undo)" />] => Array
(
[0] => Array
(
[0] => src="/content/img/vote-arrow-down.png"
[1] => alt="vote down"
[2] => title="This was not helpful (click again to undo)"
)
[1] => Array
(
[0] => src
[1] => alt
[2] => title
)
[2] => Array
(
[0] => "/content/img/vote-arrow-down.png"
[1] => "vote down"
[2] => "This was not helpful (click again to undo)"
)
)
[<img src="http://www.gravatar.com/avatar/df299babc56f0a79678e567e87a09c31?s=32&d=identicon&r=PG" height=32 width=32 alt="gravatar image" />] => Array
(
[0] => Array
(
[0] => src="http://www.gravatar.com/avatar/df299babc56f0a79678e567e87a09c31?s=32&d=identicon&r=PG"
[1] => alt="gravatar image"
)
[1] => Array
(
[0] => src
[1] => alt
)
[2] => Array
(
[0] => "http://www.gravatar.com/avatar/df299babc56f0a79678e567e87a09c31?s=32&d=identicon&r=PG"
[1] => "gravatar image"
)
)
[..]
)
)
Регулярные выражения нагружают процессор, поэтому вы можете закешировать эту страницу.Если у вас нет системы кэширования, вы можете настроить свою собственную, используя ob_start и загрузка/сохранение из текстового файла.
Как эта штука работает?
Сначала мы используем preg_ match_ все, функция, которая получает каждую строку, соответствующую шаблону, и выводит ее в качестве третьего параметра.
Регулярные выражения:
<img[^>]+>
Мы применяем его на всех веб-страницах HTML.Его можно прочитать как каждая строка, начинающаяся с "<img
", содержит символы, отличные от ">", и заканчивается символом >.
(alt|title|src)=("[^"]*")
Мы применяем его последовательно к каждому тегу img.Его можно прочитать как каждая строка, начинающаяся с «alt», «title» или «src», затем «=", затем ' " ', множество вещей, которые не являются ' " ' и заканчиваются ' " '.Изолируйте подстроки между ().
Наконец, каждый раз, когда вам нужно иметь дело с регулярными выражениями, полезно иметь хорошие инструменты для их быстрого тестирования.Проверь это онлайн-тестер регулярных выражений.
РЕДАКТИРОВАТЬ :ответ на первый комментарий.
Это правда, что я не подумал о (надеюсь, немногих) людях, использующих одинарные кавычки.
Ну, если вы используете только ', просто замените все " на '.
Если смешать и то, и другое.Сначала вам следует дать себе пощёчину :-), затем попробуйте вместо [^" использовать ("|') или " и [^ø]".
Другие советы
$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');
}
Просто приведу небольшой пример использования XML-функциональности PHP для этой задачи:
$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'];
}
я использовал DOMDocument::loadHTML()
потому что этот метод может работать с синтаксисом HTML и не требует, чтобы входной документ был XHTML.Строго говоря, преобразование в SimpleXMLElement
в этом нет необходимости — это просто упрощает использование xpath и получение результатов xpath.
Если это XHTML, в вашем примере, вам нужен только simpleXML.
<?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);
?>
Выход:
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"
}
}
Скрипт надо отредактировать вот так
foreach( $result[0] as $img_tag)
потому что preg_match_all возвращает массив массивов
Вы можете использовать простойhtmldom.Большинство селекторов jQuery поддерживаются в simplehtmldom.Пример приведен ниже
// 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>';
Для этого я использовал preg_match.
В моем случае у меня была строка, содержащая ровно один <img>
тег (и никакой другой разметки), который я получил от Wordpress и пытался получить src
атрибут, чтобы я мог запустить его через timthumb.
// 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);
В шаблоне для получения заголовка или альтернативного варианта вы можете просто использовать $pattern = '/title="([^"]*)"/';
чтобы захватить титул или $pattern = '/title="([^"]*)"/';
чтобы захватить альт.К сожалению, мое регулярное выражение недостаточно хорошо, чтобы охватить все три (alt/title/src) за один проход.
Вот функция PHP, которую я собрал из всей приведенной выше информации для аналогичной цели, а именно настройки свойств ширины и длины тега изображения на лету...возможно, немного неуклюже, но, похоже, работает надежно:
function ReSizeImagesInHTML($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;
}
Вот решение на PHP:
Просто скачайте QueryPath и сделайте следующее:
$doc= qp($myHtmlDoc);
foreach($doc->xpath('//img') as $img) {
$src= $img->attr('src');
$title= $img->attr('title');
$alt= $img->attr('alt');
}
Вот и все, все готово!
Я прочитал множество комментариев на этой странице, в которых жалуются, что использование парсера dom требует ненужных затрат.Что ж, это может быть дороже, чем простой вызов регулярного выражения, но ОП заявил, что нет контроля над порядком атрибутов в тегах img.Этот факт приводит к ненужной свертке шаблона регулярного выражения.Помимо этого, использование dom-парсера обеспечивает дополнительные преимущества в виде удобочитаемости, удобства сопровождения и осведомленности о dom (регулярное выражение не учитывает dom).
Я люблю регулярные выражения и отвечаю на множество вопросов, связанных с регулярными выражениями, но при работе с валидным HTML редко бывает веская причина использовать регулярное выражение вместо парсера.
В демонстрации ниже вы увидите, как легко и понятно DOMDocument обрабатывает атрибуты тега img в любом порядке с кавычками (и без кавычек вообще).Также обратите внимание, что теги без целевого атрибута вообще не мешают работе — в качестве значения предоставляется пустая строка.
Код:(Демо)
$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";
}
Выход:
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 =
---
Использование этой техники в профессиональном коде даст вам чистый сценарий, меньше проблем, с которыми придется бороться, и меньше коллег, которые хотели бы, чтобы вы работали где-то еще.