multimedia analisar arquivos a partir de uma página HTML (qualquer língua)

Question

Dada uma página HTML que eu gostaria de obter todos os arquivos 'x' que são incorporados no arquivo HTML ou estão ligados por ele, onde 'x' é igual a:

• Imagens (JPG, PNG, GIF ...)
• Documentos (Word, PowerPoint, PDF ...)
• Flash (FLV, SWF)

Como posso fazer isso?

1. Assim imagens são fáceis de extrato, porque eles são ou ligado a um link que termina em um (.png | .jpg | ....) ou eles são encaixados com uma tag img.
2. Os documentos não podem ser incorporados, eles só podem ser ligados a (com um link que termina em um .doc | .ppt | .pdf | ...). Então, eles também são fáceis de obter.

Aqui está o meu problema:

Como posso obter os arquivos flash que estão embutidos em páginas web?

Por favor me dê uma pseudo-algoritmo ou um padrão de regex.

Se eu estiver errado em meus pontos acima (1. e 2.) por favor me diga o mesmo.

Obrigado!

Answer 1

A extensão do Firefox DownThemAll permite que você clique com o botão direito uma página e baixar todos os meios de comunicação de um determinado extensão. É open source, assim você pode querer olhar para o seu código e ver como eles implementou.

Answer 2

Eu usaria um parser XML baseado em eventos (como SAX) e escrever as regras para as tags e para obter o src e os atributos href.