从HTML页面（任何语言）解析多媒体文件

Question

给定一个HTML页面我想获取嵌入在HTML文件中的所有'x'文件或通过它链接，其中'x'等于：

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

我如何做这个？

1. 因此，图像很容易提取，因为它们或者链接到以（.png | .jpg | ....）结尾的链接，或者它们嵌入了img标记。
2. 文档不能嵌入，它们只能链接到（链接以.doc | .ppt | .pdf | ...结尾）。所以他们也很容易得到。

这里是我的问题：

如何获得嵌入在网页中的Flash文件？

请给我一个伪算法或正则表达式模式。

如果我上面的观点（1和2）错了，请告诉我。

谢谢！

Answer 1

Firefox扩展DownThemAll，您可以用鼠标右键单击页面并下载所有指定分机的媒体。它是开源的，所以你可能想看看他们的代码，看看他们是如何实现它的。

Answer 2

我会使用一个基于事件的XML解析器（如SAX）和写的和标签的规则，以获得SRC和HREF属性。