如何使用正则表达式捕获完整的script标签内容？

在网页开发和数据抓取过程中，经常需要提取HTML文档中的script标签内容。本文将详细介绍如何使用正则表达式高效准确地捕获完整的script标签及其内容。

1. 基础正则表达式模式

最简单的script标签匹配模式如下：

<script[^>]*>([\s\S]*?)</script>

这个模式可以匹配：

• <script[^>]*> - 匹配script开始标签及其属性
• ([\s\S]*?) - 非贪婪匹配任意字符（包括换行符）
• </script> - 匹配结束标签

2. 处理复杂情况的正则表达式

实际应用中需要考虑更多复杂情况：

<script\b[^>]*>((?:(?!</script\b)[\s\S])*)</script\b[^>]*>

这个增强版正则表达式可以处理：

• script标签中的属性
• script标签内容中包含"script"字符串的情况
• 大小写不敏感的情况（可添加i标志）

3. 在JavaScript中的实现示例

const html = `...您的HTML内容...`;
const regex = /<script\b[^>]*>((?:(?!<\/script\b)[\s\S])*)<\/script\b[^>]*>/gi;
let match;
while ((match = regex.exec(html)) !== null) {
  console.log('找到script标签:', match[0]);
  console.log('脚本内容:', match[1]);
}

4. 注意事项

1. 正则表达式可能无法处理所有HTML特殊情况，对于复杂HTML建议使用DOM解析器
2. 考虑性能因素，避免在大型文档中使用过于复杂的正则表达式
3. 注意script标签可能有不同的属性组合（如type="module"等）
4. 考虑CDATA区块和注释的特殊情况

5. 替代方案

如果正则表达式不能满足需求，可以考虑：

• 使用DOMParser API解析HTML
• 使用cheerio等HTML解析库
• 使用浏览器内置的querySelector方法

通过本文介绍的正则表达式方法，您可以有效地从HTML文档中提取script标签内容，适用于网页抓取、内容分析和前端开发等多种场景。