場景
用戶使用HTML編輯器把自己的文章上傳到後臺,我需要提取img標籤的圖片URL地址,用於做圖片的鑑黃等內容安全操作。
代碼實現
一共用了三個文件,分別是 RegexUtils.java ImgTagUtils.java 和 Main.java
RegexUtils 類封裝了正則表達式。ImgTagUtils類負責提取HTML代碼中的圖片URL地址。Main類包含著主方法,用於測試。
RegexUtils
package blog141;
import java.util.ArrayList;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
/**
* 正則表達式工具類
* @author zhangchao
*/
public final class RegexUtils {
/**
* 獲得匹配正則表達式的內容
* @param str 字符串
* @param reg 正則表達式
* @param isCaseInsensitive 是否忽略大小寫,true忽略大小寫,false大小寫敏感
* @return 匹配正則表達式的字符串,組成的List
*/
public static List<String> getMatchList(final String str, final String reg, final boolean isCaseInsensitive) {
ArrayList<String> result = new ArrayList<String>();
Pattern pattern = null;
if (isCaseInsensitive) {
//編譯正則表達式,忽略大小寫
pattern = Pattern.compile(reg, Pattern.CASE_INSENSITIVE);
} else {
//編譯正則表達式,大小寫敏感
pattern = Pattern.compile(reg);
}
Matcher matcher = pattern.matcher(str);// 指定要匹配的字符串
while (matcher.find()) { //此處find()每次被調用後,會偏移到下一個匹配
result.add(matcher.group());//獲取當前匹配的值
}
result.trimToSize();
return result;
}
/**
* 獲取第一個匹配正則表達式的子串
* @param str 完整字符串
* @param reg 正則表達式
* @param isCaseInsensitive 是否忽略大小寫,true表示忽略,false表示大小寫敏感。
* @return 第一個匹配正則表達式的子串。
*/
public static String getFirstMatch(final String str, final String reg, final boolean isCaseInsensitive) {
Pattern pattern = null;
if (isCaseInsensitive) {
//編譯正則表達式,忽略大小寫
pattern = Pattern.compile(reg, Pattern.CASE_INSENSITIVE);
} else {
//編譯正則表達式,大小寫敏感
pattern = Pattern.compile(reg);
}
Matcher matcher = pattern.matcher(str);// 指定要匹配的字符串
if (matcher.find()) {
return matcher.group();
}
return null;
}
}
ImgTagUtils
package blog141;
import java.util.ArrayList;
import java.util.List;
/**
* img標籤工具類
* @author zhangchao
*/
public final class ImgTagUtils {
/**
* 從html代碼中,獲得指定標籤的指定屬性的取值
* @param html HTML代碼
* @param tagName 指定的標籤名稱
* @param propertyName 指定的屬性名稱
* @return
*/
public static final List<String> listTagPropertyValue(final String html, final String tagName, final String propertyName) {
// 結果集合
ArrayList<String> result = new ArrayList<String>();
// 找出HTML代碼中所有的tagName標籤
List<String> list = RegexUtils.getMatchList(html, "<" + tagName + "[^>]*>", true);
// 循環遍歷每個標籤字符串,找出其中的屬性字符串,比如 src=....
for (String tagStr : list) {
// 去掉標籤結尾的/>,方便後面 src 屬性的正則表達式。
// 這樣可以適應 <video src=http://www.yourhost.com/xxx> 這樣的標籤
if (tagStr.endsWith("/>")) {
tagStr = tagStr.substring(0, tagStr.length() - 2);
tagStr = tagStr + " ";
}
// 去掉標籤結尾的>,方便後面匹配屬性的正則表達式。
// 這樣可以適應 <video src=http://www.yourhost.com/xxx> 這樣的標籤
else if (tagStr.endsWith(">")) {
tagStr = tagStr.substring(0, tagStr.length() - 1);
tagStr = tagStr + " ";
}
// 去掉字符串開頭的 <video 或 <source
tagStr = tagStr.substring(1 + tagName.length());
tagStr = " " + tagStr;
// 取出屬性的值
String regSingleQuote = "^" + propertyName + "='[^']*'"; // 使用單引號
String regDoubleQuote = "^" + propertyName + "=\"[^\"]*\""; // 使用雙引號
String reg = "^" + propertyName + "=[^\\s]*\\s"; // 不使用引號
int index = 0;
int length = tagStr.length();
while (index <= length) {
String subStr = tagStr.substring(index);
String str = RegexUtils.getFirstMatch(subStr, regSingleQuote, true);
if (null != str) {
// 往後跳過已經匹配的字符串。
index += str.length();
String srcStr = str;
srcStr = srcStr.trim();
// 去掉 src=
srcStr = srcStr.substring(propertyName.length() + 1);
// 去掉單引號
srcStr = srcStr.substring(1);
srcStr = srcStr.substring(0, srcStr.length() - 1);
// 結果中加入圖片URL
result.add(srcStr);
} else if ((str = RegexUtils.getFirstMatch(subStr, regDoubleQuote, true)) != null) {
// 往後跳過已經匹配的字符串。
index += str.length();
String srcStr = str;
srcStr = srcStr.trim();
// 去掉 src=
srcStr = srcStr.substring(propertyName.length() + 1);
// 去掉雙引號
srcStr = srcStr.substring(1);
srcStr = srcStr.substring(0, srcStr.length() - 1);
// 結果中加入圖片URL
result.add(srcStr);
} else if ((str = RegexUtils.getFirstMatch(subStr, reg, true)) != null) {
// 往後跳過已經匹配的字符串。
index += str.length();
String srcStr = str;
srcStr = srcStr.trim();
// 去掉 src=
srcStr = srcStr.substring(propertyName.length() + 1);
// 結果中加入圖片URL
result.add(srcStr);
} else if ((str = RegexUtils.getFirstMatch(subStr, "^[\\w]+='[^']*'", true)) != null) {
// 往後跳過已經匹配的字符串。
index += str.length();
} else {
index++;
}
}
} // end for (String tagStr : list)
result.trimToSize();
return result;
}
/**
* 從html代碼中找出img標籤的圖片路徑
* @param html HTML代碼
* @return 字符串列表,裏面每個字符串都是圖片鏈接地址
*/
public static List<String> listImgSrc(final String html) {
return listTagPropertyValue(html, "img", "src");
}
}
Main
package blog141;
import java.util.List;
public class Main {
public static void main(String[] args) {
String html = "<p>asdfasdfsdf</p>\n" +
"<img src=https://img.yourhost.com/FqzDkQNPHjd9erjJ5RzRuV8sPqKH>\n" +
"<p>明明嘻嘻嘻</p>\n" +
"<Img src=\"https://img.yourhost.com/ba262e63fa0bb4aace45a645d6\"></img><p>一生一世意義</p>京東方克拉夫的啦" +
"jldksfjal打算離開房間拉薩地方 <img src='https://img.yourhost.com/img01.jpg'/> 打開拉薩附近盧卡斯京東方 <IMG Src=/yourpath/1.png/>\n" +
"<img style=\"width:100px\"src='/aaa/aaa.jpg'></img";
List<String> list = ImgTagUtils.listImgSrc(html);
for (String str : list) {
System.out.println(str);
}
}
}
輸出結果:
https://img.yourhost.com/FqzDkQNPHjd9erjJ5RzRuV8sPqKH
https://img.yourhost.com/ba262e63fa0bb4aace45a645d6
https://img.yourhost.com/img01.jpg
/yourpath/1.png
/aaa/aaa.jpg