Parsear HTML

[mamcx]

Empezado por lago

Muchas gracias Escafandra, en página más complejas falla pero me da por donde arrancar!

HTML no es para parsear con regex ni manualmente:

https://stackoverflow.com/questions/...lanation-in-la

a menos que tengas MUY especificado que es lo que quieres.

---

Si de todas maneras es solo detectar las URLS necesitas hacer un regex mas complejo o el parseo manual es mucho mas trabajado.

[Ñuño Martínez]

Como te han dicho, analizar código HTML es complejo, y más si quieres cumplir con la norma de forma estricta y manejar correctamente código HTML mal construido. Es más, para hacerlo bien tendrás que construir un parser completo.

De todas formas, puedes simplificar un poco la cosa. Te lo pongo en pseudo-código:

  BUCLE
    SI se encuentra "<img " en HTML
       Desde esa posición, buscar 'src="', si no se encuentra ERROR
       Extraer el texto desde esa posición hasta las siguientes comillas
       quitar de HTML todo lo que preceda al texto extraido
    SINO
      Salir del BUCLE
    FIN SI
  REPETIR

Sigue sin manejar bien código mal formado (por ejemplo, si se encuentra un <img /> sin "src") pero en los casos bien construidos debería funcionar.