引言

在 Web 开发和数据采集工作中，经常需要从 HTML 页面中提取信息。虽然 HTML 解析库（如 BeautifulSoup、jsoup、HtmlAgilityPack 等）是更稳妥的选择，但在某些轻量场景下，使用正则表达式解析 HTML 仍然是一种快速、直接的方案。本文将从基础概念出发，介绍如何使用正则表达式解析 HTML，并给出常见场景的实用示例。

2. 正则表达式基础回顾

在开始解析 HTML 之前，先回顾几个常用的正则表达式语法元素：

• 字符类：[a-z] 匹配任意小写字母，[0-9] 匹配任意数字。
• 量词：* 表示零次或多次，+ 表示一次或多次，? 表示零次或一次。
• 分组：使用圆括号 () 捕获匹配的子串。
• 非贪婪匹配：在量词后加 ?，如 .*?，表示尽可能少地匹配字符。
• 转义字符：\. 匹配点号，\/ 匹配斜杠。

解析 HTML 时，最常用的是非贪婪匹配和分组捕获，因为它们能精准提取标签之间的内容。

3. 解析 HTML 的常见场景

下面通过几个典型场景，演示如何使用正则表达式从 HTML 中提取信息。

3.1 提取链接和文本

假设有一段 HTML 包含多个链接，需要提取每个链接的 URL 和锚文本：

这里 ([^"]+) 捕获 href 属性值，([^<]+) 捕获标签内的文本内容。