关于何时以及是否适合使用正则表达式来解析 html 存在很多争论。
出现的一个常见问题是从 html 解析链接，我的问题是，如果您要查找的只是 HTML 块中 <a> 标记的 href 值，那么使用正则表达式是否合适？在这种情况下，您不关心结束标签，并且您正在寻找一个非常具体的结构。
使用完整的 html 解析器似乎有点过头了。虽然我看到问题和答案表明使用正则表达式来解析 URL，虽然在很大程度上安全并不完美，但结构化 <a> 标签的额外限制似乎提供了一个上下文，一个应该能够在不破坏的情况下达到 100% 的准确性出汗。
想法？
【问题讨论】：
考虑一下这个有效 html：
<!DOCTYPE html>
<title>Test Case</title>
<p>
<!-- <a href="url1"> -->
<span class="><a href='url2'>"></span>
<a href='my">url<'>click</a>
</p>
要提取的 url 列表是什么？解析器只会说一个值为my">url< 的url。你的正则表达式会吗？
【讨论】：
我是那些认为在这种情况下使用正则表达式是个坏主意的人之一。
即使您只想匹配来自<a> 标记的href 属性，您的正则表达式仍将贯穿整个html 文档，这会使任何基于正则表达式的解决方案变得混乱、不安全和臃肿。
另外，使用 XML 解析器匹配标签中的 href 属性几乎是多余的。
至少 2 年以来，我每周都在解析 html 页面。起初，我使用的是完整的正则表达式解决方案，我认为它比使用 HTML 解析器更容易和简单。
但由于很多原因，我不得不多次返回我的代码：
我发现修复长的正则表达式模式并不是最有趣的事情，你必须一遍又一遍地考虑它。
从现在开始我通常是：
tidy清理html源代码。DOM + Xpath 实际解析页面并提取我想要的部分。textContent）代码更加健壮，我不必花 2 小时在一个冗长的正则表达式模式上来找出它为什么不适用于 1% 的源，它只是感觉合适。
现在，即使在我不关心结束标签并且我有一个非常具体的结构的情况下，我仍在使用基于 DOM 的解决方案，以不断提高我使用 DOM 库的技能并生成更好的代码。
我不喜欢在这里看到有人在每个带有 html+regex 标记的问题上只评论“不要在 html 上使用 regex”，而没有提供示例代码或其他内容。
这是一个匹配 PHP 中链接的 href 属性的示例，只是为了表明使用 HTML 解析器来处理这些常见任务一点也不夸张。
$dom = new DOMDocument();
$dom->loadHTML($html);
// loop on every links
foreach($dom->getElementsByTagName('a') as $link) {
// get href attribute
$href = $link->getAttribute('href');
// do whatever you want with them...
}
我希望这会有所帮助。
【讨论】：
【讨论】：