c++oding="utf-8" ?>
windows下msvc的std::regex对unicode和多行html标签支持极差，易抛regex_error；应改用boost::regex、状态机或逐行getline+安全正则（如），避免贪婪匹配与空替换陷阱，大文件须流式处理，复杂场景务必用htmlcxx等专业库。> ↩
用 std::regex 去 HTML 标签会崩在 Windows 上的 MSVC
MSVC 的 std::regex 对 Unicode 和多行匹配支持极差，遇到 <script>...</script> 或含换行的标签（比如 <div>）大概率抛 <code>std::regex_error，不是写法错，是库实现烂。Clang/libc++ 和 GCC/libstdc++ 相对稳些，但跨平台项目别赌。
实操建议：
- Windows 下优先改用
boost::regex或std::string::find+ 状态机（更可靠） - 若坚持用
std::regex，必须加std::regex_constants::ECMAScript且避免.匹配换行——改用[sS]替代 - 正则模式别写
<.></.>，它会贪婪吞掉整个文件；换成]*>更安全
逐行读取时用 std::getline 过滤比一次性加载快得多
大文件（>10MB）直接 std::ifstream::read 到内存再 regex，容易 OOM，而且正则引擎还得扫完整字符串。流式处理才是正解：按行读、按行删标签、按行输出。
常见错误现象：用 while (file >> line) 导致空格截断，HTML 属性值（如 title="foo bar"）被切碎，后续过滤失效。
实操建议：
- 始终用
std::getline(file, line)，保留原始空白和引号内空格 - 每行只调一次
std::regex_replace，别嵌套循环反复 replace——HTML 不会嵌套标签到一行里 - 如果要保留换行结构，输出时补
" "；别依赖line自带，getline已剥离
std::regex_replace 的替换空字符串陷阱
写成 std::regex_replace(line, std::regex("]*>"), "") 看似干净，但某些编译器（尤其旧版 GCC）会在空替换串下触发未定义行为，或漏掉相邻标签（如 <b><i>text</i></b> 中间部分残留）。
使用场景：纯文本导出、日志清洗、SEO 内容提取——这些都不需要保留注释、CDATA 或条件注释。
实操建议：
- 用占位符过渡：先替换成
"__HTML_TAG__"，再统一删，比直删稳定 - 加一层保护：过滤前检查
line.find('，跳过无标签行，省 CPU - 如果文件含
<!-- comment -->，得额外加std::regex("<!--[\s\S]*?-->")，否则注释内容会漏出来
不推荐用正则彻底解析 HTML 的根本原因
正则能对付简单标签，但一碰到 <img src="<test>.jpg">（属性值含 ）、<code><script>var s = "<div>";</script> 或自闭合 SVG 标签，就会误杀或漏杀。这不是你正则写得不够熟，是正则本身无法建模嵌套结构。
性能影响：看似单次 regex_replace 很快，但真实 HTML 中平均 30% 的行含多个标签，而状态机一次扫描就能搞定，实测快 2–5 倍。
实操建议：
- 真正要鲁棒处理 HTML，请用
htmlcxx或libxml2——哪怕只取文本，也比正则靠谱 - 若只是清理用户输入的简易富文本（如 Markdown 编辑器导出），正则够用，但务必加单元测试覆盖
<span title="a<b"></span>这类边界 - 别忘了
<这类实体——它们不属于标签，但属于 HTML 内容，需单独 decode
最易被忽略的是：不同编码（UTF-8 / GBK）下正则的字节匹配可能错位， 被截成半个字符就全盘失效。没做编码检测前，别上线。
