Java获取html标签内容中的图片链接

Java获取html标签内容中的图片链接

---

一. 正则表达式

代码示例:

 private static final Pattern MATCH_IMAGE = Pattern.compile("<img\\b[^>]*\\bsrc\\b\\s*=\\s*('|\")?([^'\"\n\r\f>]+(\\.jpg|\\.bmp|\\.eps|\\.gif|\\.mif|\\.miff|\\.png|\\.tif|\\.tiff|\\.svg|\\.wmf|\\.jpe|\\.jpeg|\\.dib|\\.ico|\\.tga|\\.cut|\\.pic|\\b)\\b)[^>]*>", Pattern.CASE_INSENSITIVE);

    /**
     * 获取html内容中的图片链接
     * @param content html内容
     * @return 图片urls链接
     */
    public List<String> getImageUrlsFromContentV1(String content) {
        List<String> resultList = new ArrayList<>();
        if (StringUtils.isBlank(content)) {
            return resultList;
        }
        String htmlCode = content;
        Matcher m = MATCH_IMAGE.matcher(htmlCode);
        String quote = null;
        String src = null;
        while (m.find()) {
            quote = m.group(1);
            src = (quote == null || quote.trim().length() == 0)
                    ? m.group(2).split("//s+")[0]
                    : m.group(2);
            resultList.add(src);
        }
        return resultList;
    }

---

二. 使用Jsoup(推荐)

（1）导入Jsoup依赖：

        <dependency>
            <groupId>org.jsoup</groupId>
            <artifactId>jsoup</artifactId>
            <version>1.15.3</version> <!-- 自行选择版本 -->
        </dependency>

（2）代码示例：

    /**
     * 获取html内容中的图片链接
     * @param content html内容
     * @return 图片urls链接
     */
    public List<String> getImageUrlsFromContentV2(String content) {
        List<String> resultList = new ArrayList<>();
        if (StringUtils.isBlank(content)) {
            return resultList;
        }
        try {
            // 解析 HTML
            Document doc = Jsoup.parse(content);
            // 选择所有 img 标签
            Elements imgElements = doc.select("img");
            // 提取
            for (Element img : imgElements) {
                String imgUrl = img.attr("src");
                if (StringUtils.isBlank(imgUrl)) {
                    continue;
                }
                resultList.add(imgUrl);
            }
        } catch (Exception e) {
            log.error("getImageUrlsFromContentV2 error: {} ", e.getMessage());
        }

        return resultList;
    }

---

三. 两种方案对比

两种方案相比之下，Jsoup更具有优势：

1. 更准确的 HTML 解析

处理复杂 HTML：Jsoup 能够准确解析复杂的 HTML 结构，包括嵌套标签、不规范的 HTML 等。而正则表达式在处理复杂的 HTML 时可能会因为标签嵌套、不规范的格式等问题导致匹配失败。

容错性：Jsoup 对 HTML 的容错性很强，即使 HTML 代码不规范，也能正确解析。

---

2. 更直观的选择器语法

CSS 选择器： Jsoup 提供了类似于 CSS 的选择器语法，可以方便地选择 HTML 元素。例如，获取所有图片的链接可以使用 doc.select(“img[src]”)。这种语法简单直观，易于理解和维护。

正则表达式：正则表达式虽然功能强大，但在处理复杂 HTML 时，表达式可能会变得非常复杂，难以维护。

---

3. 性能优势

优化的解析引擎：Jsoup 的解析引擎经过优化，能够高效处理大型 HTML 文件。虽然在某些情况下，正则表达式的性能可能更高，但在处理复杂的 HTML 结构时，Jsoup 的性能通常更优。

---

4. 安全性

HTML 清理：Jsoup 在解析 HTML 时会自动清理不安全的内容，例如脚本标签。这有助于防止 XSS 攻击等安全问题。

正则表达式：正则表达式本身不提供 HTML 清理功能，使用时需要额外注意安全问题。