RegEx для извлечения свойств изображения HTML

Question

Мне нужен шаблон RegEx для извлечения всех свойств тега изображения.

Как мы все знаем, существует множество искаженных HTML, поэтому шаблон должен охватывать эти возможности.

Я искал это решение /136343/kak-izvlech-img-src-title-i-alt-iz-html-s-pomoschy-php, но он не совсем понял:

Я придумываю что-то вроде:

(alt|title|src|height|width)\s*=\s*["'][\W\w]+?["']

Есть ли какие-то возможности, которые я упущу, или более эффективный простой шаблон?

EDIT:
Извините, я буду более конкретным, я делаю это с использованием .NET, поэтому он на стороне сервера.
У меня уже есть список тегов img, теперь мне просто нужно проанализировать свойства.

Answer 1

Как мы все знаем, существует множество искаженных HTML, поэтому шаблон должен охватывать эти возможности.

Не будет. Используйте анализатор HTML, если вам нужно разобрать «злой» (из неизвестного источника) HTML.

Answer 2

Лучше всего использовать что-то вроде HTML Agility Pack вместо использования регулярных выражений. Он предназначен для обработки множества случаев и может сэкономить вам больше, чем несколько головных болей, благодаря выбиванию краевых корпусов

Answer 3

Если производительность не является большой проблемой, я бы пошел с html-парсером (например, BeautifulSoup в python), если вы делаете это на стороне сервера или jquery или просто обычный javascript если вы делаете это на стороне клиента. Конечно, это излишне, но гораздо быстрее, с меньшей вероятностью появления ошибок (так как они уже подумали об угловых случаях), и оно справится с потенциальной неправильной формой.

Answer 4

/<img(\s+([a-z]{3,})=(["']([^"']*)["']|[\S]))+\s*/?>/i

Соответствует этому match_all (формат зависит от вашей библиотеки, но ключевые индексы таковы):

0 -> image tag
1 -> attribute
2 -> attribute name
3 -> attribute value (with enclosing quotes if exists)
4 -> attribute value (without enclosing quotes if it has them, otherwise empty, use 3)

Answer 5

Перед тем как приступить к регулярному выражению, посмотрите, что он может сделать: RegEx соответствует открытым тегам, за исключением автономных тегов XHTML

Answer 6

Если вы хотите все значения атрибута, могу я предложить использовать DOM? Что-то вроде element.attributes будет хорошо работать.

Если вы настаиваете на регулярном выражении //\b\w+="[^"]+"// должно получить все.