Java 正則表達式提取網頁所有圖片路徑完整實作

使用 Java 正則表達式從 HTML 中提取圖片 URL

在網頁爬蟲、內容分析、資料遷移等場景中，經常需要從 HTML 原始碼中提取所有圖片的 URL。本文提供一個健壯的工具方法，支援主流圖片格式，處理單雙引號、屬性順序等變化。

支援的圖片格式

方法涵蓋 20 種常見格式：.jpg、.jpeg、.png、.gif、.bmp、.svg、.webp、.tiff、.ico 等。

核心實作代碼

import java.util.ArrayList;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

/**
 * 從 HTML 原始碼提取圖片 src 路徑
 * @param htmlCode HTML 字串
 * @return 圖片 URL 列表，無圖片時返回空列表
 */
public static List<String> getImageSrc(String htmlCode) {
    List<String> imageSrcList = new ArrayList<>();
    
    // 正則解析：
    // <img\\b[^>]*\\bsrc\\b\\s*=\\s*('|")?([^'">\s]+(\.jpg|\.jpeg|\.png|\.gif|\.bmp|\.svg|\.webp|\.tiff?|\.ico|\.png|\.bmp|\.gif|\.jpg|\.jpeg|\.svg|\.webp|\.tiff?|\.ico)\\b)[^>]*>
    String regex = "<img\\b[^>]*\\bsrc\\b\\s*=\\s*('|\")?([^'\">\\s]+(\\.jpg|\\.jpeg|\\.png|\\.gif|\\.bmp|\\.svg|\\.webp|\\.tiff?|\\.ico)\\b)[^>]*>";
    
    Pattern pattern = Pattern.compile(regex, Pattern.CASE_INSENSITIVE);
    Matcher matcher = pattern.matcher(htmlCode);
    
    while (matcher.find()) {
        String quote = matcher.group(1); // 引號字元（單引號/雙引號/無）
        String src = matcher.group(2);   // 圖片 URL
        
        // 處理無引號情況下可能包含的額外屬性
        if (quote == null || quote.isEmpty()) {
            src = src.split("\\s+")[0];
        }
        
        imageSrcList.add(src);
    }
    
    return imageSrcList;
}

正則表達式詳細拆解

使用範例

String html = "<div><img src='logo.png'><img src=\\"banner.jpg\\" alt='廣告'><img src=icon.gif></div>";
List<String> images = getImageSrc(html);
// 結果：[logo.png, banner.jpg, icon.gif]

注意事項與最佳實踐

• HTML 解析器優先：對於複雜、不規範 HTML，建議使用 Jsoup 等專業解析器，正則僅適用於結構簡單、格式固定的場景
• 相對路徑處理：提取後可能需配合 URI.resolve() 轉為絕對 URL
• 效能考量：大量文本建議預編譯 Pattern 實例複用
• 擴展性：新增圖片格式只需在正則中追加副檔名

進階版：支援 data URI 與背景圖片

若需提取 CSS background-image 或 data:image/... 格式，可擴展正則或改用 HTML 解析器遍歷 DOM 節點屬性。