PowerShell正则提取H1标签内容为空，求助排查原因

算力阿峰

2026-7-25

问题

我尝试使用以下PowerShell代码通过正则表达式抓取网页内容：

$webClient = New-Object System.Net.WebClient
$data = $webClient.downloadstring($url)
$h1Tag = [regex] '(?i)(?<=<h1 class=&quot;mb-0 mb-lg-1 svelte-jcq9ad&quot;>)([\S\s]*?)(?=</h1>)'
$h1 = $h1Tag.Match($data).value.trim()

待匹配的示例文本：

<div>
     <h1 class="mb-0 mb-lg-1 svelte-jcq9ad">AdBlock — best ad blocker</h1>
     <h2 class="mb-2 svelte-jcq9ad">Block ads and pop-ups on YouTube, Facebook, Twitch, and your favorite websites.</h2>
  </div>
</div>

该正则表达式在多个正则测试网站上能正确返回AdBlock — best ad blocker，但在PowerShell中变量$h1始终为空。请问我忽略了什么？
注：已修正笔误，原问题中的$title应为$h1。

原因及解决办法

问题核心在于正则里的"HTML实体。System.Net.WebClient下载网页内容时，会自动把HTML实体解码为原始字符（比如"会变成真实的双引号"），但你的正则表达式里用的是"，自然匹配不到实际内容。

修正正则表达式

把正则中的"替换为真实双引号，同时注意PowerShell的字符串规则：

# 方案1：用单引号包裹正则，直接写入双引号
$h1Tag = [regex] '(?i)(?<=<h1 class="mb-0 mb-lg-1 svelte-jcq9ad">)([\S\s]*?)(?=</h1>)'

# 方案2：用双引号包裹时，对双引号加反引号转义
$h1Tag = [regex] "(?i)(?<=<h1 class=`"mb-0 mb-lg-1 svelte-jcq9ad`">)([\S\s]*?)(?=</h1>)"

替换后再运行代码，$h1就能正确获取到目标文本。

更可靠的替代方案

正则解析HTML容错性极差，网页结构微调就会失效。推荐用专业的HTML解析库HtmlAgilityPack：

# 先安装模块（需管理员权限）
Install-Module -Name HtmlAgilityPack -Scope CurrentUser

# 解析示例
$web = New-Object HtmlAgilityPack.HtmlWeb
$doc = $web.Load($url)
$h1Node = $doc.DocumentNode.SelectSingleNode('//h1[@class="mb-0 mb-lg-1 svelte-jcq9ad"]')
if ($h1Node) {
    $h1 = $h1Node.InnerText.Trim()
}