HTMLからimgのsrcのみを正規表現で抽出する

Question

Webサイトから画像だけをダウンロードするツールをJavaの勉強がてら作成しており、HTML内に含まれた全てのimgタグのsrc部分のみを抽出したいと考えています。現在、正規表現を使ってHTMLからimgタグのsrcを抽出し、srcの一覧を取得するようなメソッドを作成していますが、私の実力が及ばないばかりに上手く出来ずに困っております。以下のようなHTMLが有った場合の例を挙げます。

上記のHTMLがString型に格納されてますので、作成した抽出用メソッドの引数に渡すと以下のようなString[]型の文字列を返す想定をしています。 [0]=hoge.jpeg [1]=./hoge.jpeg [2]=./fuga/hoge.jpeg [3]=../fuga/hoge.jpeg [4]=http://fuga/hoge.jpeg しかしながら現在、以下のような結果となり、最後の1件しか取得できていない状況です。 [0]=http://fuga/hoge.jpeg 恐らく正規表現が正しくないせいだとは思いますが、どのようにすれば取得できるのか分からず困っています。もしこの問題についての解決策をご存じの方がおりましたら、ご教示いただけましたら幸いです。よろしくお願いします以下、作成中のテストソースです。 //---------------------------------------------------- import java.util.ArrayList; import java.util.List; import java.util.regex.Matcher; import java.util.regex.Pattern; public class Main { public static void main(String[] args) { String testHtml = "

"; String[] res = extractImgSrc(testHtml); // 結果表示 for (int i = 0; i < res.length; i++) { System.out.println("res[" + i + "]=" + res[i]); } } // imgタグのsrcからurlを抽出 public static String[] extractImgSrc(String html) { List result = new ArrayList(); Pattern p = Pattern.compile("<\s*img.*src\s*=\s*([\"'])?([^ \"']*)[^>]*>"); Matcher m = p.matcher(html); while (m.find()) { result.add(m.group(2)); } return result.toArray(new String[result.size()]); } }

Ogre7077 · Accepted Answer

正規表現 /<\s*img.*src\s*=\s*(["'])?([^ "']*)[^>]*>/ ですが、非常に危険な /.*/ という指定を含んでいます。これは「可能な限り長く一致させる」挙動となるので、例題の場合なら以下の範囲を纏めて拾ってしまいます。

... なので /.*/ ではなく /[^>]*/ とすれば想定どおりの挙動となるでしょう。余談ではありますが、この種の処理を行うなら HTML パーサーを介して、 DOM なり XPath を使うことをオススメします。

goro123123123 · Answer

なんでわざわざ正規表現?
DOM使った方が良いんじゃないのか?

notnot · Answer

Pattern p = Pattern.compile("<\s*img.*src\s*=\s*([\"'])?([^ \"']*)[^>]*>");

の img.* がおかしい。
img[^>]* では？

HTMLからimgのsrcのみを正規表現で抽出する

正規表現 /<\s*img.*src\s*=\s*(["'])?([^ "']*)[^>]*>/ ですが、

なんでわざわざ正規表現?

この回答への補足

Pattern p = Pattern.compile("<\\s*img.*src\\s*=\\s*([\\\"'])?([^ \\\"']*)[^>]*>");

関連するカテゴリからQ&Aを探す

デイリーランキングこのカテゴリの人気デイリーQ&Aランキング

マンスリーランキングこのカテゴリの人気マンスリーQ&Aランキング

正規表現 /<\simg.src\s=\s(["'])?([^ "'])[^>]>/ ですが、

Pattern p = Pattern.compile("<\\simg.src\\s=\\s([\\\"'])?([^ \\\"'])[^>]>");