正则表达式从HTML提取文本

正则表达式从HTML提取文本

您不能真正用正则表达式解析HTML。太复杂了。RE根本无法

<![CDATA[

正确处理部分。此外，某些常见的HTML之类的东西

<text>

将在浏览器中作为适当的文本工作，但可能会使天真的RE感到困惑。

有了合适的HTML解析器，您会更快乐，更成功。蟒蛇人经常使用“美丽的汤”来解析HTML并去除标签和脚本。

---

此外，设计使浏览器可以容忍格式错误的HTML。因此，您经常会发现自己试图解析HTML，这显然是不正确的，但是碰巧在浏览器中可以正常工作。

您也许可以使用RE解析错误的HTML。它所需要的只是耐心和努力。但是使用其他人的解析器通常更简单。