正则表达式可快速剥离html标签提取纯文本，但仅适用于结构简单、可控场景；它不解析dom，无法处理嵌套错误、自闭合标签异常或完整html实体解码，故不能替代专业html解析器。

正则表达式可以快速剥离 HTML 标签提取纯文本，但只适用于结构简单、可控的场景；它不解析 DOM，无法处理嵌套错误、自闭合标签异常或实体编码转换，因此不能替代真正的 HTML 解析器。

基础正则：一键移除所有标签

最简写法：//g 或 /]*>/g。前者匹配开标签、闭标签和自闭合标签（如 <img>），后者更严格，只匹配尖括号包裹的内容。在 JavaScript 中直接使用：

• htmlString.replace(/]*>/g, '')
• 后续建议加空格规范化：.replace(/s+/g, ' ').trim()，避免多个换行/空格连成一团

进阶正则：过滤干扰内容再提取

真实 HTML 常含 script、style、注释、CDATA 和 HTML 实体（如 &、 ）。仅删标签会残留乱码或空白。推荐分步处理：

• 先清除 <script>...</script> 和 <style>...</style> 块（用非贪婪匹配 <script>[\s\S]*?<\/script></script>）
• 再删注释 <!--.*?--> 和 CDATA 段
• 最后统一删标签，并用字典映射还原常见实体（如把   → 空格，< → ）

Python 中的实用封装示例

Python 可用 re 模块组合多条规则，比单行正则更鲁棒：

HTML Extract

使用 MinerU 从 HTML 页面和文件中提取内容，将 HTML 转换为保持标题、列表、表格及文本层次结构的干净、结构化 Markdown。F...

下载

• 用 re.sub(r'<script>]*>.*?</script>', '', html, flags=re.DOTALL | re.IGNORECASE) 清脚本
• 用 re.sub(r'<!--.*?-->', '', html, flags=re.DOTALL) 清注释
• 主标签清理用 re.sub(r']+>', '', html)
• 实体替换建议单独函数处理，例如将  、  统一转为空格

什么情况下别硬扛正则

当遇到以下情况，正则就该让位给专业解析器：

• HTML 结构混乱（如未闭合的 <p></p>、错位嵌套）
• 需要保留段落语义（比如把 <p></p> 换成换行，<br> 也换行）
• 目标文本被包裹在复杂层级中（如 <div><span><b>文字</b></span></div>），且位置不固定
• 需解码全部 HTML 实体（正则只能覆盖常见项，全量支持靠 html.unescape() 更稳）

前端入门到VUE实战笔记：立即使用
在学习笔记中，你将探索 前端 的入门与实战技巧！