如何从HTML字符串中分别提取正文描述与ul/li列表项文本

你之前的正则方案失效是两个核心问题导致的：

• 原始字符串经过双重HTML实体转义：外层div标签被转义为<div>格式，内层p/ul/li标签更是被转义为<p>格式，你写的正则匹配<div>这类未转义的标签格式，根本无法命中目标内容。
• 正则逻辑没有区分正文区和列表区，粗暴删除标签再分割的逻辑，很容易残留转义字符、多余标签片段，也无法精准批量提取li内的内容。

优先用原生DOM解析方式实现，比正则容错率高，不会因为标签新增自定义属性、格式微调就失效：

const rawHtml = productDetails.description;
const parser = new DOMParser();

// 两次解码，还原真实DOM结构
const outerLayer = parser.parseFromString(rawHtml, 'text/html');
const innerEscaped = outerLayer.body.firstChild.textContent;
const realDom = parser.parseFromString(innerEscaped, 'text/html');

// 提取正文
const productDesc = realDom.querySelector('p').textContent.trim();

// 提取特性列表
const featureItems = Array.from(realDom.querySelectorAll('ul li'))
  .map(item => item.textContent.trim());

执行后得到的内容完全符合预期：

• 描述正文：The Angelina Tank Dress is simple yet sophisticated. This dress can be thrown over a swimsuit for last minute lunch plans or belted for dinner on the patio. The high-low hemline gives it the perfect amount of swing.
• 特性列表：
  • Scoopneck
  • Sleeveless
  • Hits below the knee
  • Longer back hemline
  • Machine wash, tumble dry low

如果你是在Node.js环境运行，没有浏览器原生DOMParser对象，可以引入jsdom这类DOM解析库实现相同逻辑，不推荐用复杂正则硬匹配HTML结构，后续维护成本极高。

内容的提问来源于stack exchange，提问作者LosMos