正则表达式从HTML中匹配img标签的图片地址

前言

有玩过爬虫的人应该都有过在又臭又长的HTML中找寻信息的经历，虽然有各种工具和各种框架可以辅助查找，但是解析HTML的规则也是人想的，制定规则也是十分麻烦的。
恰好在个人的项目中，需要从某个网站中爬取图片，好在需求比较简单，所以试着使用正则表达式来解决。

分析

每个网站中展示图片的地方，无非就是img标签或者style中background-image和background，先解决img标签中的图片。
首先，地址在标签的src属性之中，所以找寻src的位置是必须的。但是不只有img标签拥有src属性，video和style也同样拥有src属性。因此，只匹配src的位置是不够，还得确保这个src的位置在img标签中。

然后，就是匹配src后面的地址，匹配地址的方法已经有许多文章描述过了，不再多说，但本文中用了一个比较取巧的方式去匹配。

总的思路就是先匹配src的位置，在获取图片地址。

正则表达式

• 首先是匹配src的位置，既然是找位置，那就需要用的正则表达式中预查(?)，因为需要的图片地址是在src后面，所以用反向肯定预查，所以初步确定正则表达式可写成:

/(?<=判断条件)/ 至于反向肯定预查的判断条件，就是在img之后的src，所以正则表达式改成如下： /(?<=(img src="))/ 之所以匹配src=", 是因为想要直接就匹配到地址的开头位置，于是就顺手加上。
但是，因为img和src之间可能还存在class或者其他自定义属性，所以还要加上这些可能存在字符的匹配。但是因为这些字符的种类比较多，如双引号""，英文、数字、甚至是中文等等，一一匹配过于麻烦，有个取巧的方式就是匹配非>。
众所周知，>在HTML中是一个标签的结尾，所以它不可能出现在img标签内的img字符和src字符的中间，所以匹配位置的正则表达式可写成: /(?<=(img[^>]*src="))/

可以看到，能够成功找到图片地址的开头位置。

• 既然位置找到了，那剩下的就是匹配地址了。这里可以使用其他相关文章说的匹配地址的正则表达式，但是和上面一样，同样可以取巧。
  在HTML标签中，图片地址是以双引号"开头和结尾的，上面的匹配位置已经匹配到图片开头的双引号之后，那么图片地址还剩下一个双引号，就是结尾的那个。
  那么，直接匹配所有连续不为"的字符不就可以了，思路可能有点复杂，但是写起来简单：

/[^"]*/

• 因此，总的正则表达式为:

/(?<=(img[^>]*src="))[^"]*/g 结尾加个g是表示匹配所有符合条件的字符串，现在就可以匹配出图片地址了：

总结