利用正则表达式提取html片段中的特定内容
本文将探讨如何使用正则表达式从一段html文本中提取特定内容。假设我们通过curl抓取了一段html文本，其结构如下，我们希望提取class="block-2"的div标签内所有li标签中的文本内容。
<div class="content">
<h1>标题xxxxx</h1>
<div class="block-1">
<ul class="article">
<li>文章标题1</li>
<li>文章标题2</li>
<li>文章标题3</li>
</ul>
</div>
<div class="block-2">
<ul class="article">
<li>文章标题1</li>
<li>文章标题2</li>
<li>文章标题3</li>
</ul>
</div>
<div class="block-3">
<ul class="article">
<li>文章标题1</li>
<li>文章标题2</li>
<li>文章标题3</li>
</ul>
</div>
</div>直接使用正则表达式匹配html结构通常不是最佳实践，因为html的复杂性和多样性使得正则表达式难以准确地捕捉所有情况。 然而，针对这个相对简单的例子，我们可以尝试使用正则表达式来提取所需内容。以下提供一种方法，它可能并非完美，但可以在特定情况下有效：
该方法首先移除html中的换行符和空格，简化匹配过程，然后利用正则表达式/(?).*?(?=.*block-2)/g进行匹配。
该正则表达式使用了零宽断言：
立即学习“前端免费学习笔记（深入）”；
- (?): 正向肯定环视，确保匹配项前面是block-1和至少一个字符，以及
- 。
- (?=.*block-2): 正向肯定环视，确保匹配项后面是 ，至少一个字符，以及block-2。
.*?表示匹配任意字符，尽可能少的次数，用于提取
需要注意的是，这种方法依赖于html结构的特定模式，如果html结构发生变化，该正则表达式可能需要修改。 更稳健的方法是使用html解析器，而不是正则表达式来处理html数据。 解析器可以更可靠地提取数据，并且不会受到html结构变化的影响。 以下提供一个示例代码：
let str = ` <div class="block-1">
<ul class="article">
<li>文章标题b1</li>
<li>文章标题b2</li>
<li>文章标题b3</li>
</ul>
</div>
<div class="block-2">
<ul class="article">
<li>文章标题1</li>
<li>文章标题2</li>
<li>文章标题3</li>
</ul>
</div>
<div class="block-3">
<ul class="article">
<li>文章标题1</li>
<li>文章标题2</li>
<li>文章标题3</li>
</ul>
</div>`;
let removeEnter = str.replace(/[\r\n]/g, "").replace(/[ ]/g, "").match(/(?<=block-1.*<li>).*?(?=<\/li>.*block-2)/g);
console.log(removeEnter);这个代码片段展示了如何使用正则表达式以及字符串替换函数来处理原始html字符串并提取目标数据。 然而，再次强调，对于复杂的html结构，使用html解析器是更可靠的选择。
