Regular expression IMG SRC attribuut

[wibber]

Hi,

Ik wil graag van alle img tags van een html document het src attribuut uitlezen. Dus als ik bijv. <img src="mysite.com/images/pietje.gif" /> heb, wil ik mysite.com/images/pietje.gif als resultaat hebben. Ik heb nog niet zoveel ervaring met regular expressions maar ben tot het volgende gekomen:

(<img\s.*src\s*=\s*)("|')(.*)(\2[^<]*>)

Deze regular expression geeft de goede urls terug, maar als er twee img tags op een regel staan, neemt ie ook de tussenliggende karakters mee. Dus:

<img src="plaatje1.gif" /> hier nog wat tekst <img src="plaatje2.gif" /> wordt gezien als 1 match en volgens mij heeft dat te maken met mijn het gebruikt van \s.*. Helaas is mijn ervaring met regular expressions gering en hoop ik dat iemand mij hiermee kan helpen.

Alvast bedankt!

[BtM909]

Wat wil je met die informatie gaan doen? Want je zou het eventueel met een javascript direct uitlezen en ergens naartoe pushen / posten?

[smokalot]

als ik aan het shellscripten ben normaliseer ik de input altijd eerst, bijvoorbeeld door bij "<img" altijd een nieuwe regel te beginnen.

Je kunt hier ook zorgen dat ie verplicht ook matcht op het afsluiten van de tag, is dat niet een idee?

Ik weet niet wat voor applicatie je het over hebt, maar kun je niet ook een xml parser gebruiken?

[crisp]

Mijn eerste idee is ook: parsen naar een DOM-tree.
Als je toch string-functies wilt gebruiken doe het dan in een aantal stappen en probeer het niet met 1 draak van een regexp te doen:

1) eerst alle img-tags matchen: /<img\s[^>]>/i
2) binnen je img-tag alle attributen uitsplitsen (splitten op whitespace)
3) binnen je attributen de attribuut-naam en -value uitsplitsen
4) kijken of het src-attribuut bestaat en dan de value teruggeven

Een dergelijke pragmatische werkwijze is veel minder foutgevoelig en ook herbruikbaar voor andere zaken

[wibber]

Bedankt voor de feedback. De bedoeling van mijn applicatie is om plaatjes die van externe resources komen, via een proxyserver opgehaald worden zodat de browser (IE in this case) niet begint te zeuren over mogelijk onveilige items. Ik denk dat ik misschei ngewoon eerst de img tags ga matchen en daarna zelf wel splitten. Nogmaals bedankt.

[EdwinG]

crisp schreef op donderdag 01 februari 2007 @ 12:49:
...
2) binnen je img-tag alle attributen uitsplitsen (splitten op whitespace)
...

Leveren alt attributen hierbij geen probleem op?

[wibber]

Kan toch controleren of het attribuut "src" of iets anders is?

[crisp]

EdwinG schreef op donderdag 01 februari 2007 @ 15:01:
[...]

Leveren alt attributen hierbij geen probleem op?

Dat was idd wat simplistisch voorgesteld; uiteraard dien je rekening te houden met quoted values e.d.
tokenizen is meestal nog wel de beste manier...

[Verwijderd]

even een antwoord op de originele vraag: je probleem wordt veroorzaakt door het feit dat de * zogenaamd "greedy" gedrag vertoont. Dat wil zeggen dat .* zoveel mogelijk karakters matcht.

Ik weet niet wat voor regexp je precies gebruikt, maar in bijv. perl kun je schrijven .*? voor een non-greedy match (dus met vraagteken achter *).