使用正则表达式解析HTML的实用指南
作者：要吃这碗饭
1. 引言
在 Web 开发和数据采集工作中，经常需要从 HTML 页面中提取信息。虽然 HTML 解析库（如 BeautifulSoup、jsoup、HtmlAgilityPack 等）是更稳妥的选择，但在某些轻量场景下，使用正则表达式解析 HTML 仍然是一种快速、直接的方案。本文将从基础概念出发，介绍如何使用正则表达式解析 HTML，并给出常见场景的实用示例。
2. 正则表达式基础回顾
在开始解析 HTML 之前，先回顾几个常用的正则表达式语法元素：
- 字符类：
[a-z]匹配任意小写字母，[0-9]匹配任意数字。 - 量词：
*表示零次或多次，+表示一次或多次，?表示零次或一次。 - 分组：使用圆括号
()捕获匹配的子串。 - 非贪婪匹配：在量词后加
?，如.*?，表示尽可能少地匹配字符。 - 转义字符：
\.匹配点号，\/匹配斜杠。
解析 HTML 时，最常用的是非贪婪匹配和分组捕获，因为它们能精准提取标签之间的内容。
3. 解析 HTML 的常见场景
下面通过几个典型场景，演示如何使用正则表达式从 HTML 中提取信息。
3.1 提取链接和文本
假设有一段 HTML 包含多个链接，需要提取每个链接的 URL 和锚文本：
import re
html = '''
<a href="https://example.com/page1" rel="external nofollow" >第一篇文章</a>
<a href="https://example.com/page2" rel="external nofollow" >第二篇文章</a>
'''
pattern = r'<a href="([^" rel="external nofollow" ]+)">([^<]+)</a>'
matches = re.findall(pattern, html)
for url, text in matches:
print(f"URL: {url}, 文本: {text}")这里 ([^"]+) 捕获 href 属性值，([^<]+) 捕获标签内的文本内容。
3.2 提取图片地址
提取 <img> 标签中的 src 属性：
import re html = ''' <img src="/images/logo.png" alt="网站Logo" /> <img src="/images/banner.jpg" alt="横幅" /> ''' pattern = r'<img[^>]+src="([^"]+)"' srcs = re.findall(pattern, html) print(srcs) # ['/images/logo.png', '/images/banner.jpg']
3.3 提取表格数据
从简单的 HTML 表格中提取每一行的单元格内容：
import re
html = '''
<table>
<tr><td>姓名</td><td>年龄</td></tr>
<tr><td>张三</td><td>25</td></tr>
<tr><td>李四</td><td>30</td></tr>
</table>
'''
rows = re.findall(r'<tr>(.*?)</tr>', html, re.S)
for row in rows:
cells = re.findall(r'<td>(.*?)</td>', row)
print(cells)这里使用 re.S 标志，让点号也能匹配换行符，从而正确处理跨行的表格内容。
4. 正则表达式解析 HTML 的注意事项
虽然正则表达式可以完成简单的 HTML 解析，但在实际使用中需要注意以下几点：
- HTML 结构不规范：真实网页中标签经常不闭合、属性顺序不固定，正则表达式容易匹配失败。
- 嵌套标签问题：正则表达式难以处理嵌套结构，例如
<div>内部再嵌套<div>。 - 性能问题：对大型 HTML 文档使用复杂的正则表达式可能导致性能下降。
- 转义繁琐：HTML 中的特殊字符需要大量转义，代码可读性较差。
因此，对于结构复杂或不可控的 HTML，建议优先使用专门的解析库；正则表达式更适合处理格式相对固定、结构简单的片段。
5. 总结
本文介绍了如何使用正则表达式解析 HTML，包括提取链接、图片地址和表格数据等常见场景，并总结了使用正则表达式解析 HTML 的优缺点。在实际项目中，应根据 HTML 的复杂程度选择合适的工具：简单场景用正则表达式快速解决，复杂场景则交给专业的 HTML 解析库。
以上就是使用正则表达式解析HTML的实用指南的详细内容，更多关于使用正则表达式解析HTML的资料请关注脚本之家其它相关文章！