正则提取html标签内容仅适用于简单、格式固定的场景，需用非贪婪匹配和dotall模式处理换行，支持反向引用确保标签闭合，但无法可靠处理嵌套、属性含>、注释等复杂情况，生产环境应优先使用html解析器。

直接用正则提取 HTML 标签内容风险高、不推荐用于复杂或嵌套结构，但对简单、格式固定的场景（如纯文本标签、无属性、无嵌套）可快速实现。关键在于匹配标签边界并捕获中间内容。

基础写法：提取单个标签的文本内容

例如提取 <p>Hello</p> 中的 Hello：

正则模式：<p>(.*?)</p>

• <p></p> 匹配字面量开始标签
• (.*?) 非贪婪捕获任意字符（含空格、换行），括号表示要提取的内容
• 匹配字面量结束标签

注意：若 HTML 含换行，需启用 dotall 模式（Python 中加 re.DOTALL，JS 中用 /s 标志），否则 . 不匹配换行符。

支持常见标签名：用分组或字符类泛化

想同时匹配 <h1></h1>、<div>、<code><span></span> 等：

正则模式：(.*?)>

Wechat HTML Publisher

直接上传HTML富文本到微信公众号草稿箱。支持完整的HTML格式,无需Markdown转换。

下载

• (h1|div|span) 匹配并捕获标签名
• \1> 用反向引用确保起止标签一致（避免 <div>... 错误匹配）<li>仍需非贪婪 <code>.*?，防止跨标签误吞

跳过属性和自闭合标签的干扰

真实 HTML 常含属性（如 <img src="x">）或自闭合标签（<br>），它们会破坏简单模式：

• 带属性的开始标签如 <p class="intro"></p>，需扩展为 <p>]*>(.*?)</p>（\b 防止匹配到 <p1></p1>，[^>]* 容忍任意属性）
• 自闭合标签（<br>、<img ...>）没有内容，无需捕获，也不应被当作“开始标签”参与匹配
• 避免用 .* 替代 .*?，否则可能从第一个 <p></p> 一直匹配到最后一个 ，吞掉中间所有标签

更安全的替代方案：优先用 HTML 解析器

正则无法可靠处理嵌套（如 <div><p>A</p></div>）、注释（<!-- ... -->）、CDATA 或属性中含 > 的情况（<tag attr="a>b"></tag>）。

• Python 推荐 BeautifulSoup：soup.find('p').get_text()
• JavaScript 推荐 DOMParser：new DOMParser().parseFromString(html, 'text/html').querySelector('p').textContent
• 命令行可用 pup（echo '<p>X</p>' | pup 'p text{}'）

正则适合临时脚本、日志清洗、已知格式的简单提取；生产环境涉及用户输入或未知 HTML 结构时，务必改用专用解析器。