Sublime中提取class="Headline"块的可靠正则为：(?i)<1class="Headline"1>[\s\S]?</1>，需先清理注释和CDATA；提取href链接应使用href\s=\s(["'])(2+)\1以避免空格和引号污染。> ↩"'>&\s ↩
提取 class="Headline" 的整个
.*? 跨行不可靠，遇到换行、注释、CDATA 或 <script></script> 里的 真正可用的写法是：
- 开头加
(?i)忽略大小写（<table> 也算）<li>用 <code>[^>]*替代.*?匹配开始标签内部属性，避免吞掉>导致跨标签 - 用
[\s\S]*?（不是.*?）实现可靠跨行 - 结尾加
(? 防止匹配到嵌套闭合标签里的 <code>
，但 Sublime 不支持负向先行断言，所以更稳妥的是先清理干扰块
推荐模式：(?i)<table>]*class="Headline"[^>]*>[\s\S]*?</table>。使用前必须手动或批量删掉 <script>[\s\S]*?</script> 和 <style>[\s\S]*?</style>，否则结果大概率截断。
为什么 href=(["'])(.*?)\1 提取链接总带空格或引号
因为 .*? 会贪婪吞掉紧邻的空白、换行甚至尖括号，而捕获组 (["']) 只锁定了引号类型，没约束内容边界。实际你想要的是干净 URL，不是带前后空格的字符串。
正确写法：href\s*=\s*(["'])([^"'>\s]+)\1。其中 [^"'>\s]+ 明确排除引号、> 和空白符，比 .*? 更稳。
常见错误现象：
- 替换后出现
https://example.com"（末尾多一个引号） - 抽到
href=" /path/ "（首尾空格没清理） - 从
<!-- href="xxx" -->这类注释里也抽出了内容
实操建议：先用 <!--[\s\S]*?--> 全选跳过注释；替换完再跑一次 ^\s+|\s+$ 清首尾空格。
Find in Files 比 Ctrl+F 更适合批量提取特定标签
单文件用 Ctrl+F + Find All 可以高亮所有匹配项，但导出纯文本时会混入路径和行号；真正要批量处理多个 HTML 文件（比如爬虫抓下来的几十个页面），必须用 Ctrl+Shift+F（Find in Files）。
关键设置：
- Where 栏必须明确指定范围，比如
./pages/*.html，留空只会搜当前文件 - 务必勾选
Regular Expression，否则<table>]*class="Headline" 当作字面量，根本匹配不到<li>关键词含 <code>.、[等元字符时，不勾正则就按字面匹配；勾了就必须转义，例如搜file.html得写file\.html
输出结果页右键 → Copy All，粘贴后用 ^[^:]+:\d+:\s* 批量删掉 “文件名:行号: ” 前缀，才能得到干净内容。
什么时候该放弃 Sublime 正则，改用 BeautifulSoup
当 HTML 结构不可控时，正则就是硬伤——比如标签未闭合、属性值含 />、srcset 含逗号列表、文件超 500KB、或者需要提取 <div class="article">...</div> 里嵌套的 <p></p> 和 <img alt="利用Sublime提取网页源码中特定标签的实战" > 并保持层级关系。
这些场景下，BeautifulSoup 不仅能容错解析，还能用 soup.find("table", class_="Headline") 精准定位，返回完整 DOM 对象。Sublime 正则做不到语义提取，它只做文本切片。
容易被忽略的一点：正则提取后文本粘连（比如 <p>标题</p>
<ul><li>项1</li></ul> 变成“标题项1”），这不是 bug，是它本就不负责语义还原。想保段落？得先单独把 <p>(.*?)</p> 替换成 \n$1\n，再删其他标签——步骤一多，出错概率就指数上升。
