快捷導(dǎo)航

小談php正則提取圖片地址

更新時(shí)間：2014年03月27日 11:39:43 投稿：mdxy-dxy

最近在開發(fā)程序的時(shí)候需要獲取提取內(nèi)容中的圖片地址，這里簡單分享下方法，需要的朋友可以參考下

迷上了正則，不斷嘗試著新花招，首先感謝TNA 的非完全輸出RSS，然后再次感謝SH的強(qiáng)迫性學(xué)習(xí)。沒有TNA，我不會(huì)去看正則，更不知道世界上有種這么牛的表達(dá)式；不是SH的死活說他不懂不知道，我也不會(huì)硬著頭皮去琢磨，去改進(jìn)。達(dá)到同一個(gè)目的，正則的表達(dá)方式可以不唯一，沒有做不到，只有你沒想到?？梢赃@樣說吧，正則就是玩設(shè)定規(guī)律，我大愛這種東西。沒有比設(shè)定規(guī)律篩選東西更讓我興奮、感到awesome的了。

分享一下在php環(huán)境下使用正則提取圖片地址的一些小心得：

圖片網(wǎng)址規(guī)范的html代碼無非就是

復(fù)制代碼代碼如下:

<img title="囧2" src="http://www.xlanda.net/wp-admin/%E5%9B%A73" alt="囧4" title="囧2" width="5" height="6" />

囧1和囧2是非必需的，若要通過XHTML認(rèn)證囧4、囧5、囧6必不可少，囧3是核心內(nèi)容，當(dāng)然就不能少了。

就正則談?wù)齽t的話，我寫出的最短匹配是

復(fù)制代碼代碼如下:

(?<=img.+?src=").*?(?=")

不過，這條在php里不行，會(huì)出現(xiàn)：

Warning: preg_match_all() [function.preg-match-all]: Compilation failed: lookbehind assertion is not fixed length at offset *** in ***

糾結(jié)了很久，都不行，原因何在呢？試了很多次，終于發(fā)現(xiàn)問題在(?<=img.+?src=")這個(gè)零寬斷言里，在php中，零寬斷言里不支持類似“*”、“+”這些無限次的東西，于是報(bào)錯(cuò)了，把“.+?”改為定長就好。不過，要“img”和“src=”之間定長基本上是不可能的。通常，圖片地址的img和src只會(huì)相隔一個(gè)很簡單的空格，但不排除某些情況在src之前，img后有alt、titlte等東西。

所以

復(fù)制代碼代碼如下:

(?<=img.src=").*?(?=")

或

復(fù)制代碼代碼如下:

(?<=img\ssrc=").*?(?=")

可能可以，但不保證100%沒問題。

你也許會(huì)問，單純

復(fù)制代碼代碼如下:

(?<=src=").*?(?=")

不行嗎？通常情況，可以，但，搜索過頁面的盆友應(yīng)該知道，除了圖片地址用src開頭以外，javascript地址也用src開頭！而且，太多神通廣大的不可預(yù)知因素隱含其中，于是這個(gè)貌似很簡短完美的寫法就行不通了。

你又或許會(huì)問，聰明簡短的不行，我把圖片的后綴列出來，總該可以了吧，如

復(fù)制代碼代碼如下:

(?<=src=").*?\.(jpg|jpeg|gif|png|bmp|JPG|JPEG|GIF|PNG|BMP)

的確，這個(gè)寫法實(shí)在是很老實(shí)，不過，你見過沒有后綴的圖片？wwe.com 有很多這種例子呢

RAW http://us.wwe.com/content/media/images/Headers/15559182
SmackDown http://us.wwe.com/content/media/images/Headers/15854138
NXT http://us.wwe.com/content/media/images/Headers/15929136
Superstars http://us.wwe.com/content/media/images/Headers/15815850

上面的網(wǎng)址都是圖片，但都沒有傳統(tǒng)后綴，你老實(shí)也沒用，還是不能獲取到它們。

怎么辦呢？還可以這樣

復(fù)制代碼代碼如下:

<img(.*?)src="(.*?)(?=")

和上面的表達(dá)式不同，這次的結(jié)果中array[0]的內(nèi)容不是我們想要的，我們要的圖片地址在array[2]里。為什么呢？因?yàn)槲覀冇昧?個(gè) (.*?)，每個(gè)“（）”的東西會(huì)自動(dòng)存在一個(gè)組里，而array[0]代表結(jié)果的匯總，array[1]包含了img和src里的所有東西，array[2]才輪到我們想要的圖片地址。這種匹配方法，既能匹配有傳統(tǒng)后綴的圖片，也能匹配一些無后綴的圖片文件，同時(shí)又不會(huì)錯(cuò)其它src=文件。個(gè)人感覺還是不錯(cuò)的，呵呵。當(dāng)然了，如果你還有更好的建議，請馬上留言，感謝你！

你到底要什么樣的圖片，是固定格式還是其它？得具體情況具體分析呢。

我的建議是：

如果你要的圖片地址的格式是img空格src=的，請使用：(?<=img.src=").*?(?=") ，數(shù)組唯一，你懂的。

否則，請使用<img(.*?)src="(.*?)(?=") ，記得留意有用內(nèi)容所在的數(shù)組位置哦！

再談php正則提取圖片地址

前天寫了小談php正則提取圖片地址，但其實(shí)，提取src=里面的圖片地址還不足夠，因?yàn)椴荒鼙ＷC那個(gè)地址一定是絕對地址，完全的地址，如果那是相對的呢？如果地址諸如：

albums/Candids/thumb_P1050338.jpg
/content/media/touts/5271608/5271654/15320982

那該如何是好？

有時(shí)在這些地址前面需要加http://example1.com/ ，有些甚至要加http://example1.com/example2/.../ 于是，要寫出出一種法則符合所有要求，簡直是天方夜譚。只能見機(jī)行事對癥下藥。有時(shí)，需要從前面動(dòng)刀，有時(shí)需要從后面砍斷。

今天，我驚訝地知道了一個(gè)道理，原來http://example.com/ 和http://example.com////// 是一樣的！

http://img3.douban.com/pics/nav/lg_main_a6.png

和

http://img3.douban.com////pics////nav///lg_main_a6.png

最終你都能到達(dá)

于是，對于一開始提到的兩個(gè)相對地址如果要強(qiáng)行加入某前綴恢復(fù)成絕對地址的話，也不管前面有沒有“/”，只管加一個(gè)“/”就好，“有殺錯(cuò)，沒放過” 嘛，多一個(gè)顯示仍會(huì)正常，但少一個(gè)“/”，嘿嘿，你就別想成功了。開始的時(shí)候我還沒意識(shí)到這種東西，復(fù)制了一大段代碼，把一樣的東西硬生生弄兩份，一份加 “./.”，一份不加。我這個(gè)火星來的，浪費(fèi)時(shí)間了。

放出2個(gè)地址，公測一下網(wǎng)頁獲取圖片的情況：

針對任何網(wǎng)頁，需要登入的除外：http://xyark.serw5.com/img.php
針對Coppermine Photo Gallery 系統(tǒng)：http://xyark.serw5.com/g.php （如果你認(rèn)為彈出原圖的js頁面也需要的話，我只好囧你了）

普頁是個(gè)對抓取任何圖片的嘗試，系統(tǒng)專頁是為了展示什么叫做具體情況具體分析。試過的童鞋會(huì)知道，普頁對某些使用Coppermine Photo Gallery系統(tǒng)的網(wǎng)站是行不通的，原因何在？就是那個(gè)前綴搞的鬼！但系統(tǒng)專頁就能很好地避開了這個(gè)問題。

如果大家在測試時(shí)發(fā)現(xiàn)任何bug，歡迎留言告知。請低調(diào)測試，謝謝合作。

注：以上話題純粹出于就正則談?wù)齽t，光技術(shù)談技術(shù)，不可作非正當(dāng)用途。若非正當(dāng)使用而引發(fā)任何杯具、餐具本人概不負(fù)責(zé)。

轉(zhuǎn)載時(shí)請以超鏈接形式標(biāo)明文章原始出處和作者信息及本聲明
http://www.blogbus.com/xrspook-logs/85330456.html