如何编写正则表达式精准提取HTML中标签内容？

正则表达式提取HTML标签内容的最佳实践

在处理HTML文档时，正则表达式是一种强大的工具，但要精准提取标签内容需要特别注意HTML的结构特性。以下是几种常见场景的解决方案：

1. 提取特定标签内容

// 提取所有<p>标签内容
<p[^>]*>(.*?)<\/p>

// 提取带class的div内容
<div\s+class="content"[^>]*>(.*?)<\/div>

2. 处理嵌套标签

对于嵌套结构，建议使用非贪婪匹配：

// 非贪婪匹配提取最内层内容
<div>.*?<p>(.*?)<\/p>.*?<\/div>

3. 提取属性值

// 提取href属性
href=["'](.*?)["']

注意事项：

• 使用非贪婪量词(.*?)避免过度匹配
• 考虑使用DOM解析器处理复杂HTML结构
• 正则表达式不适用于解析非规范HTML
• 注意处理换行符(添加\s修饰符)

进阶技巧：

// 提取特定ID的标签内容
<div\s+id="main"[^>]*>([\s\S]*?)<\/div>

// 忽略大小写匹配
/<h1>(.*?)<\/h1>/i

对于生产环境，建议结合使用正则表达式和HTML解析器(如BeautifulSoup)以获得更好的稳定性和准确性。