.**? 会跨标签吞内容，因其仅按字面匹配 ，无法识别标签结构边界；它在遇到第一个 时停止，但若 html 中存在嵌套或畸形结构，仍可能误匹配；正则无法安全解析 html，应使用 dom 或 xpath。
为什么 .*? 会跨标签吞内容
用 <p>(.*?)</p> 看似能提取段落文本，但一旦 HTML 是 <p>第一段</p>
<div>第二段</div>
<p>第三段</p>，非贪婪的 .*? 仍会从第一个 <p></p> 一直匹配到最后一个
<div> 整块吞进去——因为 <code>. 默认不匹配换行符以外的任意字符，包括 和 <code>>。根本问题在于：它没能力识别“标签边界”，只认字面量
<p></p> 的合法闭合。- 必须限制匹配范围，禁止出现
字符，才能守住单层标签边界 - 若内容含换行，还得加
re.DOTALL（Python）或/s（JS），否则.跳过换行就断开了 - PHP 中对应的是
PREG_DOTALL修饰符，写在正则末尾，如/pattern/s
用 [^ 替代 <code>.*? 防跨标签
真正安全的内文捕获不是“尽可能少地匹配”，而是“明确禁止匹配起始尖括号”。[^ 表示“匹配零个或多个非 <code> 的字符”，天然卡死在下一个标签开头前。
配合反向引用确保成对，完整模式是：/<p>([^/i</p>。它能正确切分 <p>A</p><div class="aritcle_card flexRow artxards">
<div class="artcardd flexRow">
<a class="aritcle_card_img" rel="nofollow" href="/xiazai/skill4156" title="Pptx To Html"><img
src="https://img.php.cn/upload/skill/000/000/081/178995432594388.jpg" alt="Pptx To Html" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
<div class="aritcle_card_info flexColumn">
<a rel="nofollow" href="/xiazai/skill4156" title="Pptx To Html" class="overflowclass">Pptx To Html</a>
<p class="overflowclass">使用 MinerU 将 PowerPoint (.pptx) 演示文稿转换为 HTML，保留幻灯片内容与结构，生成可直接在网页使用的 HTML格式。</p>
</div>
<a rel="nofollow" href="/xiazai/skill4156" title="Pptx To Html" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span>
</a>
</div>
</div>
<p>B</p>，不会把 B 当作 A 的一部分。
- 支持多行：加
/s后，[^ 仍有效，因为换行符不是 <code>，所以可跨行匹配纯文本 - 不支持属性：如果 HTML 是
<p class="intro">text</p>，该模式会失败——需扩展为/<p>]*>([^/is</p> - 不处理嵌套：遇到
<p>hello <strong>world</strong>!</p>，[^ 在 <code><strong></strong>处就停了，只捕获到hello
PHP 中提取带属性的标签内容要绕开引号陷阱
属性值里可能含 >（比如 title="a > b"），此时单纯用 [^>]* 会提前截断。更稳的方式是：先跳过标签开头所有非引号内容，再按引号配对吃掉属性值，最后才到内容区。
但实际项目中，90% 场景只需容忍常见属性。推荐这个平衡方案：/<p>]*>([^/is</p> —— \b 防止匹配到 <p1></p1>，[^>]* 吃掉属性（只要属性值不含 >）。
- 若真要兼容
title="a > b"，得用递归式匹配或改用(*SKIP)(*FAIL)跳过整标签，再捕获文本节点（见下节） -
preg_match_all()第二个参数必须是字符串，不是文件路径；别直接传file_get_contents()结果而不检查是否为空 - 返回数组索引：匹配内容在
$matches[1]，不是$matches[0]（那是整个标签）
真正安全的文本提取：用 (*SKIP)(*FAIL) 跳过所有标签
当你要提取“所有可见文本”（比如做关键词高亮），而不是某类标签的内容，(*SKIP)(*FAIL) 是 PHP PCRE 下最接近安全的正则方案。它不尝试解析标签，而是把标签当“黑盒”跳过，只在剩余纯文本里搜索。
典型写法：/$pattern = '/]*>(*SKIP)(*FAIL)|' . preg_quote($keyword, '/') . '/i';
-
]*>匹配任意完整标签（开始、结束、自闭合），(*SKIP)(*FAIL)让引擎丢弃这部分，绝不回溯 -
|后的$keyword只会在跳过所有标签后的文本区域生效，完全避开属性和注释干扰 - 注意：它仍无法区分
<script></script>或<!-- comment -->里的文本，这些需额外预过滤
正则永远没法 100% 安全处理 HTML，哪怕加了 (*SKIP)(*FAIL)。嵌套、畸形结构、CDATA、SVG 标签都会让边界失效。真正需要鲁棒性的场景，DOMDocument + getElementsByTagName() 或 XPath 才是唯一解——正则只是临时胶带，不是承重墙。
