如何用正则表达式提取HTML邮件中特定条件注释间的文本

没问题，我帮你搞定这个邮件HTML的文本提取需求！这类微软Outlook生成的条件注释标签确实有点烦人，下面给你两种场景的解决方案：

1. 先提取标签之间的所有内容（包含HTML） #

如果只是需要把两个条件注释之间的所有内容（包括里面的<span>这类标签）抓出来，用这个正则就够了：

<!\[if !supportLists\]>(.*?)<!\[endif\]>

关键点解释： #

• <!\[if !supportLists\]>：转义了方括号[，确保正则能精准匹配开头的条件注释
• (.*?)：非贪婪匹配模式，避免一次性匹配到多个<!\[endif\]>标签（如果邮件里有多个这类块的话）
• <!\[endif\]>：匹配结尾的注释标签

2. 提取纯文本（去掉中间的HTML标签） #

看你的示例输出是想要纯文本内容，那需要两步操作：先抓出注释之间的HTML内容，再剥离所有标签、处理空格实体。下面给你Python和JavaScript的实战代码：

Python 示例 #

import re

# 你的输入文本
input_html = "<![if !supportLists]><span style='mso-list:Ignore'>Index<span style='font:7.0pt \"Times New Roman\"'> Value &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; </span></span><![endif]>"

# 第一步：匹配条件注释之间的内容
if_pattern = r'<!\[if !supportLists\]>(.*?)<!\[endif\]>'
match_result = re.search(if_pattern, input_html, re.DOTALL)

if match_result:
    # 获取中间的HTML内容
    inner_html = match_result.group(1)
    # 第二步：去掉所有HTML标签
    pure_text = re.sub(r'<.*?>', '', inner_html)
    # 把&nbsp;替换成普通空格，再去除首尾多余空白
    clean_text = pure_text.replace('&nbsp;', ' ').strip()
    print(clean_text)  # 输出: Index Value

JavaScript 示例 #

const inputHtml = "<![if !supportLists]><span style='mso-list:Ignore'>Index<span style='font:7.0pt \"Times New Roman\"'> Value &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; </span></span><![endif]>";

// 匹配条件注释内容，/s修饰符让.匹配换行符
const ifRegex = /<!\[if !supportLists\]>(.*?)<!\[endif\]>/s;
const match = inputHtml.match(ifRegex);

if (match) {
    let innerHtml = match[1];
    // 移除所有HTML标签
    innerHtml = innerHtml.replace(/<.*?>/g, '');
    // 处理空格实体并清理首尾空白
    const cleanText = innerHtml.replace(/&nbsp;/g, ' ').trim();
    console.log(cleanText); // 输出: Index Value
}

注意事项 #

• 用re.DOTALL（Python）或/s（JavaScript）是为了兼容跨多行的注释内容，毕竟邮件HTML偶尔会换行排版
• 如果你的邮件里有更复杂的嵌套标签（比如注释里还有其他条件注释），可能需要调整正则，但这个方案覆盖了90%以上的常见场景

内容的提问来源于stack exchange，提问作者Akshay Mishra