Как извлечь img src, заголовок и alt из html с помощью php?
Я хотел бы создать страницу, на которой все изображения, размещенные на моем веб-сайте, перечислены с заголовком и альтернативным представлением.
Я уже написал небольшую программу для поиска и загрузки всех HTML-файлов, но теперь я застрял на том, как извлечь src, title и alt из этого HTML:
<img src="/image/fluffybunny.jpg" title="Harvey the bunny" alt="a cute little fluffy bunny" />Я предполагаю, что это должно быть сделано с помощью некоторого регулярного выражения, но, поскольку порядок тегов может отличаться, и мне нужны все они, я действительно не знаю, как проанализировать это элегантным способом (я мог бы это сделать трудный путь за шагом, но это болезненно).
21 answers
РЕДАКТИРОВАТЬ: теперь, когда я знаю лучше
Использование регулярного выражения для решения такого рода проблем является плохой идеей и, скорее всего, приведет к недостижимому и ненадежному коду. Лучше использовать синтаксический анализатор HTML .
Решение С регулярным выражением
В этом случае лучше разделить процесс на две части:
- получить весь тег img
- извлеките их метаданные
Я предполагаю, что ваш документ не является строгим xHTML, поэтому вы не можете использовать анализатор XML. Например, с исходным кодом этой веб-страницы:
/* preg_match_all match the regexp in all the $html string and output everything as
an array in $result. "i" option is used to make it case insensitive */
preg_match_all('/<img[^>]+>/i',$html, $result);
print_r($result);
Array
(
[0] => Array
(
[0] => <img src="/Content/Img/stackoverflow-logo-250.png" width="250" height="70" alt="logo link to homepage" />
[1] => <img class="vote-up" src="/content/img/vote-arrow-up.png" alt="vote up" title="This was helpful (click again to undo)" />
[2] => <img class="vote-down" src="/content/img/vote-arrow-down.png" alt="vote down" title="This was not helpful (click again to undo)" />
[3] => <img src="http://www.gravatar.com/avatar/df299babc56f0a79678e567e87a09c31?s=32&d=identicon&r=PG" height=32 width=32 alt="gravatar image" />
[4] => <img class="vote-up" src="/content/img/vote-arrow-up.png" alt="vote up" title="This was helpful (click again to undo)" />
[...]
)
)
Затем мы получаем все атрибуты тега img с циклом:
$img = array();
foreach( $result as $img_tag)
{
preg_match_all('/(alt|title|src)=("[^"]*")/i',$img_tag, $img[$img_tag]);
}
print_r($img);
Array
(
[<img src="/Content/Img/stackoverflow-logo-250.png" width="250" height="70" alt="logo link to homepage" />] => Array
(
[0] => Array
(
[0] => src="/Content/Img/stackoverflow-logo-250.png"
[1] => alt="logo link to homepage"
)
[1] => Array
(
[0] => src
[1] => alt
)
[2] => Array
(
[0] => "/Content/Img/stackoverflow-logo-250.png"
[1] => "logo link to homepage"
)
)
[<img class="vote-up" src="/content/img/vote-arrow-up.png" alt="vote up" title="This was helpful (click again to undo)" />] => Array
(
[0] => Array
(
[0] => src="/content/img/vote-arrow-up.png"
[1] => alt="vote up"
[2] => title="This was helpful (click again to undo)"
)
[1] => Array
(
[0] => src
[1] => alt
[2] => title
)
[2] => Array
(
[0] => "/content/img/vote-arrow-up.png"
[1] => "vote up"
[2] => "This was helpful (click again to undo)"
)
)
[<img class="vote-down" src="/content/img/vote-arrow-down.png" alt="vote down" title="This was not helpful (click again to undo)" />] => Array
(
[0] => Array
(
[0] => src="/content/img/vote-arrow-down.png"
[1] => alt="vote down"
[2] => title="This was not helpful (click again to undo)"
)
[1] => Array
(
[0] => src
[1] => alt
[2] => title
)
[2] => Array
(
[0] => "/content/img/vote-arrow-down.png"
[1] => "vote down"
[2] => "This was not helpful (click again to undo)"
)
)
[<img src="http://www.gravatar.com/avatar/df299babc56f0a79678e567e87a09c31?s=32&d=identicon&r=PG" height=32 width=32 alt="gravatar image" />] => Array
(
[0] => Array
(
[0] => src="http://www.gravatar.com/avatar/df299babc56f0a79678e567e87a09c31?s=32&d=identicon&r=PG"
[1] => alt="gravatar image"
)
[1] => Array
(
[0] => src
[1] => alt
)
[2] => Array
(
[0] => "http://www.gravatar.com/avatar/df299babc56f0a79678e567e87a09c31?s=32&d=identicon&r=PG"
[1] => "gravatar image"
)
)
[..]
)
)
Регулярные выражения требуют много ресурсов процессора, поэтому вы можете захотеть кэшировать эту страницу. Если у вас нет системы кэширования, вы можете настроить свою собственную с помощью ob_start и загрузки/сохранения из текстового файла.
Как это работает?
Во-первых, мы используем preg_ match_ all, функцию, которая получает каждую строку, соответствующую шаблону, и выводит ее в третьем параметр.
Регулярные выражения:
<img[^>]+>
Мы применяем его на всех веб-страницах html. Его можно прочитать как каждая строка, которая начинается с "<img", содержит не ">" символ и заканчивается >.
(alt|title|src)=("[^"]*")
Мы применяем его последовательно к каждому тегу img. Его можно прочитать как каждую строку, начинающуюся с "alt", "title" или "src", затем "=", затем "", кучу вещей, которые не являются """ и заканчиваются """. Изолируйте подстроки между ().
Наконец, каждый раз, когда если вы хотите иметь дело с регулярными выражениями, удобно иметь хорошие инструменты для их быстрого тестирования. Проверьте этот онлайн-тестер регулярных выражений.
ПРАВКА: ответ на первый комментарий.
Это правда, что я не думал о (надеюсь, немногих) людях, использующих одинарные кавычки.
Ну, если вы используете только ', просто замените все "на".
Если вы смешаете и то, и другое. Сначала вы должны ударить себя:-), затем попробуйте использовать ("|') вместо "или" и [^ø] для замены [^"].
$url="http://example.com";
$html = file_get_contents($url);
$doc = new DOMDocument();
@$doc->loadHTML($html);
$tags = $doc->getElementsByTagName('img');
foreach ($tags as $tag) {
echo $tag->getAttribute('src');
}
Просто приведу небольшой пример использования XML-функций PHP для этой задачи:
$doc=new DOMDocument();
$doc->loadHTML("<html><body>Test<br><img src=\"myimage.jpg\" title=\"title\" alt=\"alt\"></body></html>");
$xml=simplexml_import_dom($doc); // just to make xpath more simple
$images=$xml->xpath('//img');
foreach ($images as $img) {
echo $img['src'] . ' ' . $img['alt'] . ' ' . $img['title'];
}
Я использовал метод DOMDocument::loadHTML(), потому что этот метод может работать с HTML-синтаксисом и не заставляет входной документ быть XHTML. Строго говоря, преобразование в SimpleXMLElement необязательно - это просто упрощает использование xpath и результатов xpath.
Если это XHTML, то в вашем примере вам нужен только SimpleXML.
<?php
$input = '<img src="/image/fluffybunny.jpg" title="Harvey the bunny" alt="a cute little fluffy bunny"/>';
$sx = simplexml_load_string($input);
var_dump($sx);
?>
Вывод:
object(SimpleXMLElement)#1 (1) {
["@attributes"]=>
array(3) {
["src"]=>
string(22) "/image/fluffybunny.jpg"
["title"]=>
string(16) "Harvey the bunny"
["alt"]=>
string(26) "a cute little fluffy bunny"
}
}
Сценарий должен быть отредактирован следующим образом
foreach( $result[0] as $img_tag)
Потому что preg_match_all возвращает массив массивов
ПОВТОРИТЕ это решение:
$url="http://example.com";
$html = file_get_contents($url);
$doc = new DOMDocument();
@$doc->loadHTML($html);
$tags = $doc->getElementsByTagName('img');
foreach ($tags as $tag) {
echo $tag->getAttribute('src');
}
Как получить тег и атрибут из нескольких файлов/URL-адресов?
Это не сработало для меня:
foreach (glob("path/to/files/*.html") as $html) {
$doc = new DOMDocument();
$doc->loadHTML($html);
$tags = $doc->getElementsByTagName('img');
foreach ($tags as $tag) {
echo $tag->getAttribute('src');
}
}
Вы можете использовать simplehtmldom. Большинство селекторов jQuery поддерживаются в simplehtmldom. Пример приведен ниже
// Create DOM from URL or file
$html = file_get_html('http://www.google.com/');
// Find all images
foreach($html->find('img') as $element)
echo $element->src . '<br>';
// Find all links
foreach($html->find('a') as $element)
echo $element->href . '<br>';
Вот функция PHP, которую я собрал из всей приведенной выше информации для аналогичной цели, а именно для настройки свойств ширины и длины тега изображения на лету... возможно, немного неуклюжий, но, похоже, работает надежно:
function ReSizeImagesInHTML($HTMLContent,$MaximumWidth,$MaximumHeight) {
// find image tags
preg_match_all('/<img[^>]+>/i',$HTMLContent, $rawimagearray,PREG_SET_ORDER);
// put image tags in a simpler array
$imagearray = array();
for ($i = 0; $i < count($rawimagearray); $i++) {
array_push($imagearray, $rawimagearray[$i][0]);
}
// put image attributes in another array
$imageinfo = array();
foreach($imagearray as $img_tag) {
preg_match_all('/(src|width|height)=("[^"]*")/i',$img_tag, $imageinfo[$img_tag]);
}
// combine everything into one array
$AllImageInfo = array();
foreach($imagearray as $img_tag) {
$ImageSource = str_replace('"', '', $imageinfo[$img_tag][2][0]);
$OrignialWidth = str_replace('"', '', $imageinfo[$img_tag][2][1]);
$OrignialHeight = str_replace('"', '', $imageinfo[$img_tag][2][2]);
$NewWidth = $OrignialWidth;
$NewHeight = $OrignialHeight;
$AdjustDimensions = "F";
if($OrignialWidth > $MaximumWidth) {
$diff = $OrignialWidth-$MaximumHeight;
$percnt_reduced = (($diff/$OrignialWidth)*100);
$NewHeight = floor($OrignialHeight-(($percnt_reduced*$OrignialHeight)/100));
$NewWidth = floor($OrignialWidth-$diff);
$AdjustDimensions = "T";
}
if($OrignialHeight > $MaximumHeight) {
$diff = $OrignialHeight-$MaximumWidth;
$percnt_reduced = (($diff/$OrignialHeight)*100);
$NewWidth = floor($OrignialWidth-(($percnt_reduced*$OrignialWidth)/100));
$NewHeight= floor($OrignialHeight-$diff);
$AdjustDimensions = "T";
}
$thisImageInfo = array('OriginalImageTag' => $img_tag , 'ImageSource' => $ImageSource , 'OrignialWidth' => $OrignialWidth , 'OrignialHeight' => $OrignialHeight , 'NewWidth' => $NewWidth , 'NewHeight' => $NewHeight, 'AdjustDimensions' => $AdjustDimensions);
array_push($AllImageInfo, $thisImageInfo);
}
// build array of before and after tags
$ImageBeforeAndAfter = array();
for ($i = 0; $i < count($AllImageInfo); $i++) {
if($AllImageInfo[$i]['AdjustDimensions'] == "T") {
$NewImageTag = str_ireplace('width="' . $AllImageInfo[$i]['OrignialWidth'] . '"', 'width="' . $AllImageInfo[$i]['NewWidth'] . '"', $AllImageInfo[$i]['OriginalImageTag']);
$NewImageTag = str_ireplace('height="' . $AllImageInfo[$i]['OrignialHeight'] . '"', 'height="' . $AllImageInfo[$i]['NewHeight'] . '"', $NewImageTag);
$thisImageBeforeAndAfter = array('OriginalImageTag' => $AllImageInfo[$i]['OriginalImageTag'] , 'NewImageTag' => $NewImageTag);
array_push($ImageBeforeAndAfter, $thisImageBeforeAndAfter);
}
}
// execute search and replace
for ($i = 0; $i < count($ImageBeforeAndAfter); $i++) {
$HTMLContent = str_ireplace($ImageBeforeAndAfter[$i]['OriginalImageTag'],$ImageBeforeAndAfter[$i]['NewImageTag'], $HTMLContent);
}
return $HTMLContent;
}
Для этого я использовал preg_match.
В моем случае у меня была строка, содержащая ровно один тег <img> (и никакой другой разметки), которую я получил от Wordpress, и я пытался получить атрибут src, чтобы я мог запустить его через timthumb.
// get the featured image
$image = get_the_post_thumbnail($photos[$i]->ID);
// get the src for that image
$pattern = '/src="([^"]*)"/';
preg_match($pattern, $image, $matches);
$src = $matches[1];
unset($matches);
В шаблоне для захвата заголовка или alt вы можете просто использовать $pattern = '/title="([^"]*)"/'; для захвата заголовка или $pattern = '/title="([^"]*)"/'; для захвата alt. К сожалению, мое регулярное выражение недостаточно хорошо, чтобы захватить все три (alt/title/src) за один проход.
Вы также можете попробовать SimpleXML, если HTML гарантированно будет XHTML - он проанализирует разметку для вас, и вы сможете получить доступ к атрибутам только по их имени. (Существуют также библиотеки DOM, если это просто HTML, и вы не можете зависеть от синтаксиса XML.)
Вы можете написать регулярное выражение, чтобы получить все теги img (<img[^>]*>), а затем использовать простое разложение: $res = explode("\"", $tags), вывод будет примерно таким:
$res[0] = "<img src=";
$res[1] = "/image/fluffybunny.jpg";
$res[2] = "title=";
$res[3] = "Harvey the bunny";
$res[4] = "alt=";
$res[5] = "a cute little fluffy bunny";
$res[6] = "/>";
Если вы удалите тег <img до разнесения, то вы получите массив в виде
property=
value
Таким образом, порядок свойств не имеет значения, вы используете только то, что вам понравится.
Вот решение на PHP:
Просто скачайте QueryPath, а затем выполните следующие действия:
$doc= qp($myHtmlDoc);
foreach($doc->xpath('//img') as $img) {
$src= $img->attr('src');
$title= $img->attr('title');
$alt= $img->attr('alt');
}
Вот и все, с тобой покончено!
Приведенный ниже код работал для меня в wordpress...
Он извлекает все источники изображений из кода
$search = "any html code with image tags";
preg_match_all( '/src="([^"]*)"/', $search, $matches);
if ( isset( $matches ) )
{
foreach ($matches as $match)
{
if(strpos($match[0], "src")!==false)
{
$res = explode("\"", $match[0]);
$image = parse_url($res[1], PHP_URL_PATH);
$xml .= " <image:image>\n";
$xml .= " <image:loc>".home_url().$image."</image:loc>\n";
$xml .= " <image:caption>".htmlentities($title)."</image:caption>\n";
$xml .= " <image:license>".home_url()."</image:license>\n";
$xml .= " </image:image>\n";
}
}
}
Ура!
$content = "<img src='http://google.com/2af5e6ae749d523216f296193ab0b146.jpg' width='40' height='40'>";
$image = preg_match_all('~<img rel="imgbot" remote="(.*?)" width="(.*?)" height="(.*?)" linktext="(.*?)" linkhref="(.*?)" src="(.*?)" />~is', $content, $matches);
Если вы хотите использовать регулярное выражение, почему бы не сделать это так просто:
preg_match_all('% (.*)=\"(.*)\"%Uis', $code, $matches, PREG_SET_ORDER);
Это вернет что-то вроде:
array(2) {
[0]=>
array(3) {
[0]=>
string(10) " src="abc""
[1]=>
string(3) "src"
[2]=>
string(3) "abc"
}
[1]=>
array(3) {
[0]=>
string(10) " bla="123""
[1]=>
string(3) "bla"
[2]=>
string(3) "123"
}
}
Есть мое решение для восстановления только изображений из содержимого любого поста в wordpress или html-контенте. `
$content = get_the_content();
$count = substr_count($content, '<img');
$start = 0;
for ($i=0;$i<$count;$i++) {
if ($i == 0){
$imgBeg = strpos($content, '<img', $start);
$post = substr($content, $imgBeg);
} else {
$imgBeg = strpos($post, '<img', $start);
$post = substr($post, $imgBeg-2);
}
$imgEnd = strpos($post, '>');
$postOutput = substr($post, 0, $imgEnd+1);
$postOutput = preg_replace('/width="([0-9]*)" height="([0-9]*)"/', '',$postOutput);
$image[$i] = $postOutput;
$start= $imgEnd + 1;
}
print_r($image);
`
"]+>]+>/)?>"
это приведет к извлечению тега привязки, вложенного в тег изображения
Для одного элемента вы можете использовать это уменьшенное решение с помощью DOMDocument. Обрабатывает кавычки "и", а также проверяет html. Рекомендуется использовать существующие библиотеки, а не собственное решение с использованием регулярных выражений.
$html = '<img src="/image/fluffybunny.jpg" title="Harvey the bunny" alt="a cute little fluffy bunny" />';
$attribute = 'src';
$doc = new DOMDocument();
@$doc->loadHTML($html);
$attributeValue = @$doc->documentElement->firstChild->firstChild->attributes->getNamedItem($attribute)->value;
echo $attributeValue;
Как насчет использования регулярного выражения для поиска тегов img (что-то вроде "<img[^>]*>"), а затем для каждого тега img вы можете использовать другое регулярное выражение для поиска каждого атрибута.
Может быть, что-то вроде " ([a-zA-Z]+)=\"([^"]*)\"", чтобы найти атрибуты, хотя вы, возможно, захотите разрешить отсутствие кавычек, если вы имеете дело с супом из тегов... Если бы вы пошли с этим, вы могли бы получить имя и значение параметра из групп внутри каждого соответствия.
Возможно, это даст вам правильные ответы:
<img.*?(?:(?:\s+(src)="([^"]+)")|(?:\s+(alt)="([^"]+)")|(?:\s+(title)="([^"]+)")|(?:\s+[^\s]+))+.*/>