【142】Java獲取HTML代碼中的圖片URL地址

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