直接用re提取+base64.b64decode()易崩，核心问题在提取不全、校验缺失、MIME误判；需用不区分大小写正则匹配HTML/CSS多位置Base64字符串，清理空白、补padding、处理URL-safe变体，并依MIME推导扩展名、哈希生成文件名，批量时限流防OOM。
直接用 re 提取 + base64.b64decode() 解码就能跑通，但线上环境一抓就崩——核心问题不在解码本身，而在提取不全、校验缺失、MIME误判这三处。
怎么从 HTML 和 CSS 里完整抓出 Base64 图片字符串
Base64 图片不止在 style 属性、 的 href、甚至内联 <script></script> 中的字符串拼接里。只扫 img[src] 会漏掉一半以上。
- 用不区分大小写的正则：
r'data:image/([^;]+);base64,([^"\'>\s]+)'，注意匹配到分号后、引号/空格/尖括号前的连续非空白字符 - CSS 里的
background-image: url("data:image/png;base64,...")需先提取所有style内容或外部 CSS 文本，再对整段文本跑正则 - 别用
BeautifulSoup.find_all('img', src=re.compile(...))—— 它不支持跨标签内容匹配，也抓不到 JS 动态插入的样式 - 静态页够用；若页面靠 JS 渲染图片（比如懒加载、SPA），必须换
Playwright或Selenium获取渲染后 HTML
为什么 base64.b64decode() 常报 binascii.Error
不是所有带 base64, 的字符串都符合标准：可能含换行、空格、URL-safe 字符（-、_），或 padding 缺失。直接传给 b64decode 必然炸。
- 先清理：用
re.sub(r'[\s\n\r]+', '', b64_str)去掉所有空白符 - 补 padding：长度对 4 取余，缺几位就补几个
'='，b64_str += '=' * (4 - len(b64_str) % 4) - 如果是 URL-safe 变体（含
-/_），先替换为标准字符：b64_str.replace('-', '+').replace('_', '/') - 务必包
try/except binascii.Error，跳过单条失败项，别让整个批量任务中断
保存文件时如何正确推导扩展名和文件名
硬写 .png 或靠文件头 magic bytes 判定，都会在某些站点翻车。真实场景中，MIME 类型才是唯一可靠依据，而文件名重复会导致覆盖。
- MIME 类型来自正则第一组：
image/jpeg→.jpg，image/webp→.webp，image/svg+xml→.svg - 别用原始字符串做文件名：含斜杠、空格、不可见字符，容易 OSError；建议用
hashlib.md5(b64_str.encode()).hexdigest()[:12]生成前缀 - 批量处理时加限流：每秒最多解码 5–10 条，避免内存暴涨；大图（>2MB Base64 字符串）可先跳过或单独走流式解码
最常被忽略的是：同一个页面里可能混着标准 Base64、URL-safe Base64、甚至自定义字符表的变体（比如某银行门户用 RSTUV...= 替代标准字母表）。没做预检测就统一 decode，结果是大量“解出来是乱码”的假成功。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
