如何用正则表达式高效提取HTML中特定div标签下的li文本内容？

使用正则表达式提取HTML中特定div下的li文本内容

在处理HTML数据时，经常需要从特定区域提取结构化内容。本文将详细介绍如何用正则表达式高效提取指定div标签下的所有li元素的文本内容，适用于Python、JavaScript等语言环境。

1. 正则表达式基础模式

核心正则模式示例（以div的class="target"为例）：

提取li文本的完整表达式：

2. 实现步骤（Python示例）

import re

html_content = """
<div class="target">
  <ul>
    <li>第一项内容</li>
    <li>第二项内容</li>
  </ul>
</div>
"""

# 提取目标div内容
div_pattern = r'<div[^>]*class="target"[^>]*>(.*?)<\/div>'
div_match = re.search(div_pattern, html_content, re.DOTALL)

if div_match:
    # 提取li文本
    li_pattern = r'<li>(.*?)<\/li>'
    items = re.findall(li_pattern, div_match.group(1))
    print("提取结果:", items)

3. 注意事项

• 使用re.DOTALL标志匹配跨行内容
• 优先使用非贪婪匹配(.*?)避免过度匹配
• 考虑HTML属性顺序变化（使用[^>]*灵活匹配属性）
• 对于复杂HTML建议结合BeautifulSoup等解析库

4. 效率优化建议

1. 编译正则表达式：re.compile()预编译提升性能
2. 限定搜索范围：先定位父元素再提取子内容
3. 使用具体属性选择器：避免通配符过度使用

通过以上方法，可快速提取HTML中特定区域的列表内容，适用于数据采集、内容分析等场景。注意正则表达式虽便捷，但对于嵌套复杂的HTML建议使用专业解析器确保稳定性。