如何使用Regex提取HTML标签内文本？WebHarvy采集求指导

针对你列出的6种HTML文本提取场景，我会逐个给出适配的正则表达式，同时结合WebHarvy的功能给你实操建议：

一、各场景的正则提取方案 #

下面是对应每个任务的正则写法，我会标注清楚匹配逻辑：

任务1：提取<div>标签内的文本 #

原始HTML：

<div>Want to extract this text</div>

正则表达式：

<div>(.*?)</div>

说明：.*?是非贪婪匹配，会精准捕获<div>和</div>之间的所有内容，避免匹配到多余的标签。

任务2：提取<span>标签内的普通文本 #

原始HTML：

<span>want to extract this text</span>

正则表达式：

<span>(.*?)</span>

说明：和任务1逻辑一致，非贪婪匹配<span>标签对之间的内容。

任务3：提取<span>标签内的电话号码 #

原始HTML：

<span>+91 11 3989 0000</span>

如果只想匹配电话号码（而非所有<span>内容），可以用更精准的正则：

<span>(\+?\d+\s?\d+\s?\d+\s?\d+)</span>

说明：\+?匹配可选的加号，\d+匹配数字，\s?匹配可选的空格，能精准捕获这类带空格的电话号码格式。当然如果只需要提取<span>内的内容，用任务2的正则也完全可行。

任务4：提取带class的<p>标签内的地址 #

原始HTML：

<p class="location"><i class="fa fa-map-marker"></i> No 40 york street Hongkong </p>

正则表达式：

<p class="location"><i class="fa fa-map-marker"></i>\s*(.*?)\s*</p>

说明：\s*匹配前后的空白字符，确保捕获到干净的地址文本No 40 york street Hongkong。

任务5：提取<a>标签内的显示网址 #

原始HTML：

<p class="location"><i class="fa fa-link"></i> <a href="http://www.website.com" target="_blank">www.website.com</a></p>

如果要提取<a>标签的显示文本（即www.website.com）：

<a href=".*?" target="_blank">(.*?)</a>

如果要提取href属性里的链接，用：

<a href="(.*?)" target="_blank">

说明：前者捕获标签内的显示文本，后者捕获属性值，根据需求选择。

任务6：提取带class的<p>标签内的邮箱 #

原始HTML：

<p class="location"><i class="fa fa-envelope"></i> emailaddress@yahoo.com</p>

正则表达式：

<p class="location"><i class="fa fa-envelope"></i>\s*(.*?)\s*</p>

或者如果想精准匹配邮箱格式（避免其他内容），可以用：

<p class="location"><i class="fa fa-envelope"></i>\s*([a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,})\s*</p>

说明：后者的邮箱正则是行业通用的格式匹配，能确保只捕获符合邮箱规则的内容。

二、WebHarvy的相关使用指导 #

WebHarvy本身是可视化的网页采集工具，不过也完全支持正则提取，还有内置转换器帮你处理数据：

• 正则提取的操作步骤：
  在WebHarvy中选中你要提取的元素后，选择「Extract using Regular Expression」选项，把上面对应的正则表达式粘贴进去，工具会自动匹配并提取内容。
• 内置转换器的使用：
  WebHarvy有「Remove HTML Tags」转换器，如果你只是想提取元素内的纯文本，甚至不需要写正则——直接选中元素后添加这个转换器，就能自动剥离所有HTML标签，得到干净的文本内容。针对邮箱、电话号码这类特定格式，WebHarvy也有对应的「Extract Email」「Extract Phone Number」内置工具，比写正则更省心，直接调用即可。

小提示：正则处理HTML虽然灵活，但如果网页结构复杂，优先用WebHarvy的可视化选择器+内置转换器，稳定性更高；只有当结构特殊时，再用正则补充。

内容的提问来源于stack exchange，提问作者kavidu coolplus