Match ALT-tekst i IMG-tag

hvilket sprog? i php med preg kan dette udtryk gøre det

$pattern = '/<img alt=(["\'])?(.*?)(?(1)\1|\s)/is';

C#

så bør den virke uden de helt store ændringer..

string pattern = "<img alt=([\"'])?(.*?)(?(1)\\1|[ \t\n])";

uden hverken ' " matcher den indtil mellemrum, tab eller newline

Er du altid sikker på at "src" kommer efter "alt"? Eller kan dette forekomme:

<IMG src="yyy" alt="x xx">

?

nielle -> Det er også en regel, ja.

Den vil altid starte med <IMG alt= og den vil altid slutte med src="???">
Dog kan der jo så også stå: <IMG alt="<IMG alt=zzz"

morhan -> Jeg ser lige på det.

I så fald er her et bud:

using System;
using System.Text.RegularExpressions;

namespace e712678
{
    class Program
    {
        static void Main(string[] args)
        {
            string tekst = @"1) <IMG alt=xxx src=""yyy""> \r\n2) <IMG alt=alt= src=""yyy"">\r\n3) <IMG alt=""x xx"" src=""yyy"">\r\n4) <IMG alt='xx""x' src=""yyy"">\r\n5) <IMG alt=""xx'x"" src=""yyy"">\r\n6) <IMG alt='src=""' src=""yyy"">\r\n7) <IMG alt='xxx"">' src=""yyy"">";

            Regex re1 = new Regex(@"(?<imgTag><img.+?alt=.+?src=.*?>)", RegexOptions.IgnoreCase | RegexOptions.Singleline);
            Match re1m = re1.Match(tekst);

            while (re1m.Success)
            {
                string imgTag = re1m.Groups["imgTag"].Value;
                Console.WriteLine(imgTag);

                Regex re2 = new Regex("alt=(?<delimiterChar>.)");
                Match re2m = re2.Match(imgTag);

                if (re2m.Success)
                {
                    string delimiterChar = re2m.Groups["delimiterChar"].Value;

                    Regex re3 = (delimiterChar == @"""" || delimiterChar == "'")
                        ? new Regex(string.Format("alt=(?<altAttribute>{0}.*?{0})", delimiterChar))
                        : new Regex(@"alt=(?<altAttribute>\S+)");
                    Match re3m = re3.Match(imgTag);

                    Console.WriteLine("ALT= {0}", re3m.Groups["altAttribute"].Value);
                }

                re1m = re1m.NextMatch();
            }
        }
    }
}

Tak for input begge to. Det ser ud til at virke. Jeg ved ikke helt, hvad det endelige resultat bliver. Men det skal nok blive godt. Smid svar.

Et svar fra mig :^)

Jeg kunne faktisk gerne tænke mig at se en fungerende løsning på baseret på morhan's forslag hvis det er muligt. Selv kan jeg ikke rigtigt få den grejet.

Jeg har fået den implementeret, men den håndterer også en række andre ting nu. Her er et udklip, hvor hver alt-attribut gerne skulle blive udskrevet korrekt.

Regex Exp;
MatchCollection Coll;
string Str, TempStr;
int AltStart, AltEnd;
char Delimiter;

Str = "<img alt=xxx src="yyy">";

Exp = new Regex("<IMG [^a]*alt=([\"'])?(.*?)(?(1)\\1|[ \t\n])[^>]+>");
Coll = Exp.Matches(Str);
for (int i = Coll.Count - 1; i >= 0; i--)
{
      AltStart = Str.IndexOf("alt=", Coll[i].Index) + 4;
      Delimiter = Convert.ToChar(Str.Substring(AltStart, 1));
      if (Delimiter == '"' || Delimiter == '\'')
            AltEnd = Str.IndexOf(Delimiter, ++AltStart);
      else
            AltEnd = Str.IndexOf(" ", AltStart);

      Response.Write("alt=\"" + Str.Substring(AltStart, AltEnd - AltStart).Replace("\"", "&quot;") + "\"<br>");
}

Hmm? Det virker nu ikke for mig:

using System;
using System.Text.RegularExpressions;

namespace e712678b
{
    class Program
    {
        static void Main(string[] args)
        {
            Regex Exp;
            MatchCollection Coll;
            string Str, TempStr;
            int AltStart, AltEnd;
            char Delimiter;

            Str = "<img alt=xxx src='yyy'>";

            Exp = new Regex("<IMG [^a]*alt=([\"'])?(.*?)(?(1)\\1|[ \t\n])[^>]+>");
            Coll = Exp.Matches(Str);
            for (int i = Coll.Count - 1; i >= 0; i--)
            {
                AltStart = Str.IndexOf("alt=", Coll[i].Index) + 4;
                Delimiter = Convert.ToChar(Str.Substring(AltStart, 1));
                if (Delimiter == '"' || Delimiter == '\'')
                    AltEnd = Str.IndexOf(Delimiter, ++AltStart);
                else
                    AltEnd = Str.IndexOf(" ", AltStart);

                Console.Write("alt=\"" + Str.Substring(AltStart, AltEnd - AltStart).Replace("\"", "&quot;") + "\"<br>");
            }
        }
    }
}

PS: Forresten kan du slette din TempStr - du bruger den slet ikke. :^)

Prøv img med Store bogstaver, eller lave den case insensitive

Yep, det virker med en RegexOptions.IgnoreCase:

Exp = new Regex("<IMG [^a]*alt=([\"'])?(.*?)(?(1)\\1|[ \t\n])[^>]+>", RegexOptions.IgnoreCase);

Jeg gik egentlig bare ud fra at koden virkede som den var postet?

Jeg afstår gerne fra point på denne her ... kan jo se at det er morhan's løsning som der er anvendt (med en enkelt væsentlig tilretning). :^)

nielle -> Ja, den kunne godt bruge en ignorecase og måske lidt andet for at gøre den mere generel anvendelig. Jeg har bare lavet den meget specifik, da jeg ved, hvad jeg kan forvente som input. Du skal i øvrigt nok få noget for din tid, selvom jeg endte med at tage udgangspunkt i morhans pattern.

morhan - > Kan du sige mig, hvordan man definerer, at et helt ord ikke må optræde i en streng? Altså ligesom man kan definere med en karakterklasse, at x, y og z ikke må optræde. [^xyz].

Ud fra din formulering tror jeg at du måske har misforstået [^xyz] lidt. Den matcher et tegn som ikke er er x, y eller z, men dette betyder ikke at du kan bruge den til at tjekke for at et af disse tegn ikke optræder i en streng.

Match for at ordet "eksperten" ikke indgår i strengen:

            Regex re = new Regex("^((?!eksperten).)*$");
            if (re.Match(tekst).Success)
                Console.WriteLine("Ordet 'eksperten' indgår ikke i strengen");
            else
                Console.WriteLine("Der er fundet en ekspert!");

- men jeg vil nu mene at det er simplere at tjekke på om ordet findes og så handle på om det er en succesfuld match eller ej:

            re = new Regex("eksperten");
            if (!re.Match(tekst).Success)
                Console.WriteLine("Ordet 'eksperten' indgår ikke i strengen");
            else
                Console.WriteLine("Der er fundet en ekspert!");

Så fik jeg nok formuleret mig forkert, for jeg ved godt, at det enten er x, y eller x og ikke hele strengen. Er det bare en parantes omkring, der skal til? Det synes jeg, at jeg havde prøvet.

Jeg ved ikke lige hvad du mener med "Er det bare en parantes omkring, der skal til?" Hvordan?

I den løsning jeg viser, som altså går på et helt ord, er det ikke bare en parentes der skal til. Det er en (?!...) som betyder "negative zero-width lookahead":

http://www.regular-expressions.info/lookaround.html