使用正则表达式解析HTML的实用指南_网页播放器

1. 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：

import re

html = '''
<a href="https://example.com/page1" rel="external nofollow" >第一篇文章</a>
<a href="https://example.com/page2" rel="external nofollow" >第二篇文章</a>
'''

pattern = r'<a href="([^" rel="external nofollow" ]+)">([^<]+)</a>'
matches = re.findall(pattern, html)

for url, text in matches:
    print(f"url: {url}, 文本: {text}")

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

3.2 提取图片地址

提取 <img> 标签中的 src 属性：

import re

html = '''
<img src="/images/logo.png" alt="网站logo" />
<img src="/images/banner.jpg" alt="横幅" />
'''

pattern = r'<img[^>]+src="([^"]+)"'
srcs = re.findall(pattern, html)
print(srcs)  # ['/images/logo.png', '/images/banner.jpg']

3.3 提取表格数据

从简单的 html 表格中提取每一行的单元格内容：

import re

html = '''
<table>
  <tr><td>姓名</td><td>年龄</td></tr>
  <tr><td>张三</td><td>25</td></tr>
  <tr><td>李四</td><td>30</td></tr>
</table>
'''

rows = re.findall(r'<tr>(.*?)</tr>', html, re.s)
for row in rows:
    cells = re.findall(r'<td>(.*?)</td>', row)
    print(cells)

这里使用 re.s 标志，让点号也能匹配换行符，从而正确处理跨行的表格内容。