html - 从 HTML 页面（任何语言）中解析多媒体文件

Question

给定一个 HTML 页面，我想获取嵌入在 HTML 文件中或由它链接的所有“x”文件，其中“x”等于：

• 图片 (JPG,PNG,GIF...)
• 文件（Word、PowerPoint、PDF...）
• 闪存（.flv、.swf）

我该怎么做呢？

1. 因此，图像很容易提取，因为它们要么通过以 (.png|.jpg|....) 结尾的链接链接，要么嵌入了 img 标签。
2. 文档不能嵌入，只能链接到（链接以 .doc|.ppt|.pdf|... 结尾）。所以它们也很容易获得。

这是我的问题：

如何获取网页中嵌入的 Flash 文件？

请给我一个伪算法或正则表达式模式。

如果我的上述观点（1. 和 2.）有误，请也告诉我。

谢谢！

Answer 1

Firefox 扩展DownThemAll允许您右键单击页面并下载指定扩展的所有媒体。它是开源的，所以你可能想看看他们的代码，看看他们是如何实现的。

Answer 2

我将使用基于事件的 XML 解析器（如 SAX）并为 and 标记编写规则以获取 src 和 href 属性。