如何用IndexOf和Substring从HTML页面提取所有JPG结尾链接

问题描述 #

需要从HTML页面（包括类似https://something.com/my.jpg/a7gfefg/https://something.com/my2.jpg/sadsadsad64567546/https://something.com/my3.jpg的拼接链接）中提取所有以.jpg结尾的完整独立链接，每个链接单独提取。

原代码的错误点 #

• 匹配后缀错误：代码中查找的是png后缀，完全不符合提取JPG链接的需求
• Substring参数误用：line.Substring(index, index1)的第二个参数是截取长度，不是结束索引，会导致截取内容长度错误甚至超出范围
• 未覆盖多链接场景：逐行用indexOf只能找到每行第一个匹配位置，无法处理同一行多个链接或拼接链接里的多个JPG链接
• 结果未持久化：提取的result变量没有添加到links列表，最终无法获取到提取的链接

修正后的代码 #

using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Net;
using System.Text.RegularExpressions;
using System.Windows.Forms;

namespace Testing
{
    public partial class Form1 : Form
    {
        private List<string> links = new List<string>();
        string htmlCode;

        public Form1()
        {
            InitializeComponent();
            GetLinks();
        }

        private void GetLinks()
        {
            using (WebClient client = new WebClient())
            {
                htmlCode = client.DownloadString("https://test.com/my-site");
            }

            // 正则匹配所有以https://test.com开头、.jpg结尾的独立链接
            string pattern = @"https://test\.com.*?\.jpg";
            MatchCollection matches = Regex.Matches(htmlCode, pattern);

            foreach (Match match in matches)
            {
                links.Add(match.Value);
                // 可在此处添加输出或其他处理逻辑，比如：
                // Console.WriteLine(match.Value);
            }
        }

        private void Form1_Load(object sender, EventArgs e)
        {
        }
    }
}

代码说明 #

• 正则表达式逻辑：https://test\.com.*?\.jpg的匹配规则：
  • https://test\.com：精准匹配链接起始部分，转义.避免匹配任意字符
  • .*?：非贪婪匹配任意字符，确保找到最近的.jpg就停止，不会包含后续无关内容
  • \.jpg：匹配链接结尾后缀，保证提取的是JPG格式链接
• 批量匹配处理：Regex.Matches一次性找出所有符合条件的链接，无需逐行遍历，覆盖单行多链接、拼接链接等所有场景
• 结果保存：遍历匹配结果，将每个完整JPG链接添加到links列表，方便后续业务使用

内容的提问来源于stack exchange，提问作者Daniel Lip