优先使用HTML解析库提取内容，如Python的BeautifulSoup、lxml或JavaScript的Cheerio，能准确处理结构和编码；正则表达式仅适用于简单、固定格式的片段，易因嵌套或异常出错；提取文本时需去除标签并处理实体字符，推荐结合Selenium处理动态网页。
提取HTML代码中的特定内容是网页数据抓取、信息处理和自动化任务中的常见需求。实现方式主要分为两类：使用专门工具（如解析库）或通过正则表达式匹配。每种方法各有适用场景，下面详细介绍。
使用HTML解析工具（推荐方式）
直接操作HTML结构的最佳实践是使用成熟的解析库，它们能正确处理嵌套标签、属性和编码问题，避免正则表达式容易出错的陷阱。
常用工具与语言示例：- Python - BeautifulSoup + requests：适合初学者，语法简洁。
- Python - lxml：性能高，支持XPath查询。
- JavaScript - Cheerio（Node.js）：类似jQuery语法，用于服务端解析。
- 浏览器环境：直接使用DOM API，如 document.querySelector() 提取元素。
Python 示例（BeautifulSoup）：
import requests from bs4 import BeautifulSoupurl = "https://www.php.cn/link/b05edd78c294dcf6d960190bf5bde635" response = requests.get(url) soup = BeautifulSoup(response.text, 'html.parser')
获取所有标题
titles = soup.find_all(['h1', 'h2']) for title in titles: print(title.get_text())
提取所有链接
links = [a['href'] for a in soup.find_all('a', href=True)]
立即学习“前端免费学习笔记（深入）”；
使用正则表达式提取（谨慎使用）
正则适用于简单、格式固定的HTML片段，但不推荐处理完整页面——HTML具有复杂结构，正则难以准确匹配嵌套或异常情况，容易出错。
- 日志中提取少量HTML标签
- 已知格式的模板文本处理
- 快速脚本中处理干净的小段代码
示例：提取 img 标签的 src
import rehtml = '@@##@@https://www.php.cn/link/b05edd78c294dcf6d960190bf5bde635/photo.jpg" alt="demo">' pattern = r'src="\'["\']' srcs = re.findall(pattern, html) print(srcs) # 输出: ['https://www.php.cn/link/b05edd78c294dcf6d960190bf5bde635/photo.jpg']
注意：该正则可能误匹配其他带 src 的标签，建议限定标签名或结合上下文过滤。
提取纯文本内容的方法
从HTML中获取可读文本时，需去除标签、处理实体字符（如 & → &）、合并空白等。
- BeautifulSoup：使用 .get_text() 方法，可指定分隔符和是否压缩空格。
- lxml：调用 .text_content() 获取所有文本内容。
- Cheerio：使用 .text() 方法。
示例：
# BeautifulSoup 提取干净文本 text = soup.get_text(strip=True, separator=' ')
基本上就这些。优先选择解析工具而非正则，结构清晰且维护性强。对于动态网页，可结合 Selenium 或 Playwright 先渲染再提取。关键是根据实际需求选择合适手段，确保稳定性和准确性。不复杂但容易忽略细节。
