提升正则表达式，正则表达式，网址和img

Question

我需要在网页的HTML源代码中找到所有链接和图片。我实际上有以下表达方式：

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

如何找到图片（标签）呢？

Answer 1

学习Perl并使用HTML :: Parser所花费的时间比调试这个不适用于病态HTML的正则表达式更少。我已经可以在其中找到三个错误链接，即使你只询问图像。

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

Answer 2

在字符类（[^http]）中重复字符似乎不正确。 djechlin有一个观点，即RE可能不够用于最简单的HTML。