¿Cómo se analiza una cadena HTML para que las etiquetas de imagen obtengan información de SRC?

Question

Actualmente uso .Net WebBrowser.Document.Images() para hacer esto. Requiere el Webrowser para cargar el documento. Es complicado y consume recursos.

De acuerdo con this question XPath es mejor que una expresión regular en este.

¿Alguien sabe cómo hacer esto en C#?

Answer 1

Si su cadena de entrada es válido XHTML se puede tratar es como XML, cargarlo en un XmlDocument, y hacer magia XPath :) Pero no es siempre el caso.

De lo contrario puede probar esta función, que devolverá todos los enlaces de imagen 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; 
} 

Y se puede utilizar de esta manera:

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()); 
    } 
} 

Answer 2

Si es XHTML, se puede hacer esto:

XmlDocument doc = new XmlDocument(); 
doc.LoadXml(html); 
XmlNodeList results = doc.SelectNodes("//img/@src"); 

Answer 3

Si todo lo que necesita es imágenes me acaba de utilizar una expresión regular. Algo como esto debe hacer el truco:

Regex rg = new Regex(@"<img.*?src=""(.*?)""", RegexOptions.IgnoreCase); 

Answer 4

El gran problema con cualquier análisis de HTML es la parte "bien formada". Has visto la mierda HTML por ahí, ¿cuánto está realmente bien formado? Necesitaba hacer algo similar: analizar todos los enlaces de un documento (y en mi caso) actualizarlos con un enlace reescrito. Encontré el Html Agility Pack en CodePlex. Oscila (y maneja HTML malformado).

He aquí un fragmento de la iteración a través de enlaces en un 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 
    } 
} 

Original Blog Post