从包含文件路径和其他随机文本的字符串中提取带有扩展名的图像文件名

Question

我正在使用 python 创建我网站中使用的图像列表，以及使用它们的页面。我可以提取页面，但我不知道如何提取图像文件名。我看过的正则表达式示例要求输入只是路径，但我的许多 html 页面都包含指向嵌入在段落中的图像的链接。我的猜测是我需要以某种方式仅从文本字符串中提取路径，然后从路径中提取文件名，但我不知道该怎么做。

至于网站的文件结构，我所有的图片都在同一个文件夹中，所以永远不会改变。但是，我有大约 5000 页需要扫描，图像链接几乎可以显示在从段落到列表或 table.

的任何地方

到目前为止，这是我的代码：

    '''
    f = open(html_filename, 'r', encoding="utf-8")
    file_str = f.readlines() 
    f.close() 

    img = 'img'

    # Open the file for writing.
    f = open('link_list.txt','a', encoding="utf-8")
    for line in file_str: 
        if img in line: 
            f.write(line + ', ' + html_filename)
    f.close()
    '''

示例输出是这样的：

    '''
    <img src="../../Resources/Images/top.png" />, page_one.htm
    <img src="../../Resources/Images/bottom.png" />, page_two.htm
    <p>Next, either double-click in Column A, or click <img alt="" border="0" src="..\..\Resources\IMAGES\ICON.png" style="border: none;" />  to search for it.</p>, page_three.htm
    '''

我想得到什么：

    '''
    top.png, page_one.htm
    bottom.png, page_two.htm
    ICON.png, page_three.htm
    etc.
    '''

如有任何帮助，我们将不胜感激。

Answer 1

您可以使用 BeautifulSoup 模块来提取它们。这是一个例子-

from bs4 import BeautifulSoup
import os

with open('index.html', 'r') as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    for el in soup.findAll('img'):
        print(os.path.split(el['src'])[-1])

这是 HTML 文件的输出。

profile.png
project-featured.jpg
project-sdc.png

从包含文件路径和其他随机文本的字符串中提取带有扩展名的图像文件名

Extracting image filename with extension from string that includes file path and other random text

html

python

filenames