如何使用php从HTML提取img src，标题和alt？
我想创建一个页面，其中列出我网站上的所有图像，并附带标题和替代表示。
我已经写了一个小程序来查找和加载所有HTML文件，但是现在我被困在如何从此HTML中提取" src"，" title"和" alt"的方法：
<img src="/image/fluffybunny.jpg" title="Harvey the bunny" alt="a cute little fluffy bunny" />
我想应该使用一些正则表达式来完成此操作，但是由于标记的顺序可能会有所不同，而且我需要所有这些正则表达式，所以我真的不知道如何以一种优雅的方式解析它(我可以通过char方式，但这很痛苦)。
解决方案
如果HTML被保证为XHTML，我们也可以尝试SimpleXML，它将为我们解析标记，并且我们可以仅通过属性名称访问属性。 (如果只有HTML并且我们不能依赖XML语法，那么也有DOM库。)
如何使用正则表达式查找img标签(类似于"" <img [^>] *>"`)，然后对于每个img标签，可以使用另一个正则表达式查找每个属性。
也许类似"''([(a-zA-Z] +)= "([[^"] *)""`之类的东西来查找属性，但是如果我们要处理的话，可能希望不使用引号带有标签汤...如果这样做，则可以从每个匹配项的组中获取参数名称和值。
我们可以编写一个正则表达式来获取所有img标签(<img [^>] *>)，然后使用简单的爆炸：$ res = explode(" \""，$ tags)，输出将是像这样：
$res[0] = "<img src="; $res[1] = "/image/fluffybunny.jpg"; $res[2] = "title="; $res[3] = "Harvey the bunny"; $res[4] = "alt="; $res[5] = "a cute little fluffy bunny"; $res[6] = "/>";
如果在爆炸之前删除<img标签，则会得到一个数组，形式为
property= value
因此属性的顺序无关紧要，我们只需使用所需的内容即可。
使用xpath。
对于php，我们可以使用simplexml或者domxml
另请参阅此问题
给出一个使用PHP的XML功能完成任务的小例子：
$doc=new DOMDocument();
$doc->loadHTML("<html><body>Test<br><img src=\"myimage.jpg\" title=\"title\" alt=\"alt\"></body></html>");
$xml=simplexml_import_dom($doc); // just to make xpath more simple
$images=$xml->xpath('//img');
foreach ($images as $img) {
echo $img['src'] . ' ' . $img['alt'] . ' ' . $img['title'];
}
我确实使用了DOMDocument :: loadHTML()方法，因为该方法可以处理HTML语法，并且不会强制输入文档为XHTML。严格来说，转换为" SimpleXMLElement"是不必要的，它只是使使用xpath并使xpath结果更简单。
如果是XHTML，那么示例就是，我们只需要simpleXML。
<?php $input = '<img src="/image/fluffybunny.jpg" title="Harvey the bunny" alt="a cute little fluffy bunny"/>'; $sx = simplexml_load_string($input); var_dump($sx); ?>
输出：
object(SimpleXMLElement)#1 (1) {
["@attributes"]=>
array(3) {
["src"]=>
string(22) "/image/fluffybunny.jpg"
["title"]=>
string(16) "Harvey the bunny"
["alt"]=>
string(26) "a cute little fluffy bunny"
}
}
编辑：现在我知道了
使用正则表达式解决此类问题不是一个好主意，并且很可能导致无法维护和不可靠的代码。最好使用HTML解析器。
用正则表达式解决方案
在这种情况下，最好将流程分为两部分：
- 获取所有的img标签
- 提取他们的元数据
我将假设文档不是xHTML严格的，因此我们不能使用XML解析器。例如。带有此网页源代码：
/* preg_match_all match the regexp in all the $html string and output everything as
an array in $result. "i" option is used to make it case insensitive */
preg_match_all('/<img[^>]+>/i',$html, $result);
print_r($result);
Array
(
[0] => Array
(
[0] => <img src="/Content/Img/stackoverflow-logo-250.png" width="250" height="70" alt="logo link to homepage" />
[1] => <img class="vote-up" src="/content/img/vote-arrow-up.png" alt="vote up" title="This was helpful (click again to undo)" />
[2] => <img class="vote-down" src="/content/img/vote-arrow-down.png" alt="vote down" title="This was not helpful (click again to undo)" />
[3] => <img src="http://www.gravatar.com/avatar/df299babc56f0a79678e567e87a09c31?s=32&d=identicon&r=PG" height=32 width=32 alt="gravatar image" />
[4] => <img class="vote-up" src="/content/img/vote-arrow-up.png" alt="vote up" title="This was helpful (click again to undo)" />
[...]
)
)
然后，我们使用循环获取所有img标签属性：
$img = array();
foreach( $result as $img_tag)
{
preg_match_all('/(alt|title|src)=("[^"]*")/i',$img_tag, $img[$img_tag]);
}
print_r($img);
Array
(
[<img src="/Content/Img/stackoverflow-logo-250.png" width="250" height="70" alt="logo link to homepage" />] => Array
(
[0] => Array
(
[0] => src="/Content/Img/stackoverflow-logo-250.png"
[1] => alt="logo link to homepage"
)
[1] => Array
(
[0] => src
[1] => alt
)
[2] => Array
(
[0] => "/Content/Img/stackoverflow-logo-250.png"
[1] => "logo link to homepage"
)
)
[<img class="vote-up" src="/content/img/vote-arrow-up.png" alt="vote up" title="This was helpful (click again to undo)" />] => Array
(
[0] => Array
(
[0] => src="/content/img/vote-arrow-up.png"
[1] => alt="vote up"
[2] => title="This was helpful (click again to undo)"
)
[1] => Array
(
[0] => src
[1] => alt
[2] => title
)
[2] => Array
(
[0] => "/content/img/vote-arrow-up.png"
[1] => "vote up"
[2] => "This was helpful (click again to undo)"
)
)
[<img class="vote-down" src="/content/img/vote-arrow-down.png" alt="vote down" title="This was not helpful (click again to undo)" />] => Array
(
[0] => Array
(
[0] => src="/content/img/vote-arrow-down.png"
[1] => alt="vote down"
[2] => title="This was not helpful (click again to undo)"
)
[1] => Array
(
[0] => src
[1] => alt
[2] => title
)
[2] => Array
(
[0] => "/content/img/vote-arrow-down.png"
[1] => "vote down"
[2] => "This was not helpful (click again to undo)"
)
)
[<img src="http://www.gravatar.com/avatar/df299babc56f0a79678e567e87a09c31?s=32&d=identicon&r=PG" height=32 width=32 alt="gravatar image" />] => Array
(
[0] => Array
(
[0] => src="http://www.gravatar.com/avatar/df299babc56f0a79678e567e87a09c31?s=32&d=identicon&r=PG"
[1] => alt="gravatar image"
)
[1] => Array
(
[0] => src
[1] => alt
)
[2] => Array
(
[0] => "http://www.gravatar.com/avatar/df299babc56f0a79678e567e87a09c31?s=32&d=identicon&r=PG"
[1] => "gravatar image"
)
)
[..]
)
)
正则表达式占用大量CPU，因此我们可能需要缓存此页面。如果没有缓存系统，则可以使用ob_start进行调整，并从文本文件加载/保存。
这些东西是如何工作的？
首先，我们使用preg_ match_ all，该函数获取与模式匹配的每个字符串，并将其输出到它的第三个参数中。
正则表达式：
<img[^>]+>
我们将其应用于所有html网页。可以将其读取为以"<img"开头，包含非">"字符并以>结尾的每个字符串。
(alt|title|src)=("[^"]*")
我们先后将其应用于每个img标签。可以将其读取为以" alt"，" title"或者" src"开头的每个字符串，然后是" ="，然后是""，一堆不是""并以""结尾的东西隔离()之间的子字符串。
最后，每次我们想处理正则表达式时，都拥有快速测试它们的好工具非常方便。检查此在线正则表达式测试器。
编辑：回答第一个评论。
的确，我没有考虑过使用单引号的人(希望很少)。
好吧，如果仅使用'，只需将所有的'替换为'。
如果我们混合两者。首先，我们应该打自己一巴掌:-)，然后尝试使用(" |')代替，或者使用"和[^？]代替[^"]。
必须像这样编辑脚本
`foreach($ result [0] as $ img_tag)
因为preg_match_all返回数组数组
"]+>]+>/)?>"
这将提取嵌套在图像标签中的锚标签
$url="http://example.com";
$html = file_get_contents($url);
$doc = new DOMDocument();
@$doc->loadHTML($html);
$tags = $doc->getElementsByTagName('img');
foreach ($tags as $tag) {
echo $tag->getAttribute('src');
}
我用preg_match做到了。
就我而言，我有一个字符串，其中包含一个刚从Wordpress获得的<img>标签(没有其他标记)，并且我试图获取src属性，以便可以通过timthumb运行它。
// get the featured image $image = get_the_post_thumbnail($photos[$i]->ID); // get the src for that image $pattern = '/src="([^"]*)"/'; preg_match($pattern, $image, $matches); $src = $matches[1]; unset($matches);
在获取标题或者alt的模式中，我们可以简单地使用$ pattern ='/ title ="([^"] *)" /';来获取标题或者$ pattern ='/ title =" ([^"] *)" /';来获取alt。可悲的是，我的正则表达式不足以一遍就抓住所有三个(alt / title / src)。
这是PHP中的解决方案：
只需下载QueryPath，然后执行以下操作：
$doc= qp($myHtmlDoc);
foreach($doc->xpath('//img') as $img) {
$src= $img->attr('src');
$title= $img->attr('title');
$alt= $img->attr('alt');
}
就是这样，我们完成了！
