【142】Java获取HTML代码中的图片URL地址

场景

用户使用HTML编辑器把自己的文章上传到后台，我需要提取img标签的图片URL地址，用于做图片的鉴黄等内容安全操作。

代码实现

一共用了三个文件，分别是 RegexUtils.java ImgTagUtils.java 和 Main.java

RegexUtils 类封装了正则表达式。ImgTagUtils类负责提取HTML代码中的图片URL地址。Main类包含著主方法，用于测试。

RegexUtils

package blog141;

import java.util.ArrayList;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

/**
 * 正则表达式工具类
 * @author zhangchao
 */
public final class RegexUtils {
    /**
     * 获得匹配正则表达式的内容
     * @param str 字符串
     * @param reg 正则表达式
     * @param isCaseInsensitive 是否忽略大小写，true忽略大小写，false大小写敏感
     * @return 匹配正则表达式的字符串，组成的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) {
            //编译正则表达式,忽略大小写
            pattern = Pattern.compile(reg, Pattern.CASE_INSENSITIVE);
        } else {
            //编译正则表达式,大小写敏感
            pattern = Pattern.compile(reg);
        }
        Matcher matcher = pattern.matcher(str);// 指定要匹配的字符串
        while (matcher.find()) { //此处find（）每次被调用后，会偏移到下一个匹配
            result.add(matcher.group());//获取当前匹配的值
        }
        result.trimToSize();
        return result;
    }

    /**
     * 获取第一个匹配正则表达式的子串
     * @param str 完整字符串
     * @param reg 正则表达式
     * @param isCaseInsensitive 是否忽略大小写，true表示忽略，false表示大小写敏感。
     * @return 第一个匹配正则表达式的子串。
     */
    public static String getFirstMatch(final String str, final String reg, final boolean isCaseInsensitive) {
        Pattern pattern = null;
        if (isCaseInsensitive) {
            //编译正则表达式,忽略大小写
            pattern = Pattern.compile(reg, Pattern.CASE_INSENSITIVE);
        } else {
            //编译正则表达式,大小写敏感
            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标签工具类
 * @author zhangchao
 */
public final class ImgTagUtils {

    /**
     * 从html代码中，获得指定标签的指定属性的取值
     * @param html  HTML代码
     * @param tagName  指定的标签名称
     * @param propertyName 指定的属性名称
     * @return
     */
    public static final List<String> listTagPropertyValue(final String html, final String tagName, final String propertyName) {
        // 结果集合
        ArrayList<String> result = new ArrayList<String>();
        // 找出HTML代码中所有的tagName标签
        List<String> list = RegexUtils.getMatchList(html, "<" + tagName + "[^>]*>", true);
        // 循环遍历每个标签字符串，找出其中的属性字符串,比如 src=....
        for (String tagStr : list) {
            // 去掉标签结尾的/>，方便后面 src 属性的正则表达式。
            // 这样可以适应  
            if (tagStr.endsWith("/>")) {
                tagStr = tagStr.substring(0, tagStr.length() - 2);
                tagStr = tagStr + " ";
            }
            // 去掉标签结尾的>，方便后面匹配属性的正则表达式。
            // 这样可以适应  
            else if (tagStr.endsWith(">")) {
                tagStr = tagStr.substring(0, tagStr.length() - 1);
                tagStr = tagStr + " ";
            }
            // 去掉字符串开头的 

Main

package blog141;

import java.util.List;

public class Main {

    public static void main(String[] args) {
        String html = "
asdfasdfsdf
\n" +
                "\n" +
                "
明明嘻嘻嘻
\n" +
                "
一生一世意义
京东方克拉夫的啦" +
                "jldksfjal打算离开房间拉萨地方   打开拉萨附近卢卡斯京东方 \n" +
                ";
        List<String> list = ImgTagUtils.listImgSrc(html);
        for (String str : list) {
            System.out.println(str);
        }
    }

}

输出结果：

https://img.yourhost.com/FqzDkQNPHjd9erjJ5RzRuV8sPqKH
https://img.yourhost.com/ba262e63fa0bb4aace45a645d6
https://img.yourhost.com/img01.jpg
/yourpath/1.png
/aaa/aaa.jpg