從HTML頁面（任何語言）解析多媒體文件

Question

給定一個HTML頁面我想獲取嵌入在HTML文件中的所有'x'文件或通過它鏈接，其中'x'等於：

• 圖片（JPG，PNG，GIF ...）
• 文檔（Word，PowerPoint中，PDF ...）
• 的Flash（FLV的，瑞士法郎）

我如何做這個？

1. 因此，圖像很容易提取，因爲它們或者鏈接到以（.png | .jpg | ....）結尾的鏈接，或者它們嵌入了img標記。
2. 文檔不能嵌入，它們只能鏈接到（鏈接以.doc | .ppt | .pdf | ...結尾）。所以他們也很容易得到。

這裏是我的問題：

如何獲得嵌入在網頁中的Flash文件？

請給我一個僞算法或正則表達式模式。

如果我上面的觀點（1和2）錯了，請告訴我。

謝謝！

Answer 1

Firefox擴展DownThemAll，您可以用鼠標右鍵單擊頁面並下載所有指定分機的媒體。它是開源的，所以你可能想看看他們的代碼，看看他們是如何實現它的。

Answer 2

我會使用一個基於事件的XML解析器（如SAX）和寫的和標籤的規則，以獲得SRC和HREF屬性。