c++ - 提升正则表达式、正则表达式、url和img

Question

我需要在网页的 HTML 源代码中找到所有链接和图像。实际上我有以下表达：

boost::regex findurl("(?s)<\\s*a\\s+.*?href\\s*=\\s*['\"]([^http]{1}[^\\s>]*)['\"]", boost::regex::normal | boost::regbase::icase);

还应该如何查找图像（标签）？

Answer 1

学习 Perl 和使用 HTML::Parser 所花费的时间比调试这个不适用于病态 HTML 的正则表达式要少。我已经可以在其中发现三个链接错误，即使您只询问图像。

这包括示例代码，即使您不了解 Perl，您也可能知道如何修改。 http://perlmeme.org/tutorials/html_parser.html

Answer 2

在字符类 ( [^http]) 中重复出现字符似乎不正确。djechlin 的观点是，对于最简单的 HTML，RE 可能是不够的。