Node.js爬虫中如何获取.css字符串的前置字符以提取完整路径？

你的现有代码只能定位到第一个.css的位置，没法提取完整路径，也没法找出页面中所有的CSS文件。用正则表达式可以高效解决这个问题，既能匹配所有CSS路径，又能提取到从边界字符（比如", ', =, >）到.css的完整内容。

具体实现代码 #

替换你原来的逻辑，用全局正则遍历所有匹配结果：

// 匹配CSS路径的正则，兼容带/不带引号、各种边界字符的情况
const cssRegex = /["']?([^"'>=]+?\.css)["']?/g;
let matchResult;

// 遍历所有匹配到的CSS路径
while ((matchResult = cssRegex.exec(htmlString)) !== null) {
  // 捕获组1就是提取到的完整CSS路径（不含前后引号）
  const fullCssPath = matchResult[1];
  
  // 计算当前匹配项的行号
  const contentBeforeMatch = htmlString.substring(0, matchResult.index);
  const lineNumber = contentBeforeMatch.split('\n').length;

  // 把结果存入你的pageObj（如果要存多个，建议用数组）
  pageObj.pageUrl = url;
  if (!pageObj.searchTerm[item]) {
    pageObj.searchTerm[item] = [];
  }
  pageObj.searchTerm[item].push(`CSS路径: ${fullCssPath}，行号: ${lineNumber}`);
}

// 最后把pageObj存入jsonObj
jsonObj[getPageId] = pageObj;

正则表达式说明 #

• ["']?：匹配可选的单引号或双引号（HTML中引入CSS时，路径可能带引号也可能不带）
• [^"'>=]+?：非贪婪匹配除了", ', >, =之外的所有字符，避免过度匹配到其他无关内容
• \.css：精确匹配.css后缀
• /g：全局模式，会找出页面中所有符合条件的CSS路径

优势对比 #

1. 不再只找第一个.css，能捕获页面中所有CSS文件路径
2. 自动处理带/不带引号的场景，提取干净的路径内容
3. 保留了你原来需要的行号计算逻辑

内容的提问来源于stack exchange，提问作者MeltingDog