正则表达式适合提取结构简单、格式稳定的属性值，如HTML片段中的src、data-*等，但不推荐解析完整HTML/XML；需注意引号匹配、转义、多行及嵌套等陷阱，建议优先使用DOM解析器。

正则表达式可以提取特定属性值，但需注意：它适合结构简单、格式稳定的文本（如 html 片段、配置行、日志字段），不推荐用于解析完整 html/xml 文档（应使用 dom 解析器）。关键在于准确描述属性名、等号、引号及值内容的模式。

基础写法：匹配带引号的属性值

例如从 src="https://example.com/image.jpg" 中提取 URL：

• 模式：src\s*=\s*["']([^"']*)["']
• 说明：\s* 匹配任意空白（含无空格）；["'] 匹配单引号或双引号；([^"']*) 捕获引号内非引号字符（即目标值）
• 注意：该模式不支持嵌套引号或转义引号（如 alt="He said \"Hi\""），此时正则会提前截断

处理无引号属性值（HTML5 允许）

如 disabled checked data-id=123 中的 123：

• 模式：data-id\s*=\s*(\w+)（仅匹配字母数字下划线）
• 若值可能含短横线或点（如 version=2.1.0），改用：version\s*=\s*([\w.-]+)
• 更稳妥方式（兼容有/无引号）：version\s*=\s*["']?([^"'\s>]+)["']?，其中 [^"'\s>] 排除引号、空格和标签结束符

提取多个同名属性或动态属性名

当需提取所有 data-* 属性值，或不确定属性名时：

• 通用 data 属性：data-[\w-]+\s*=\s*["']([^"']*)["']，用全局标志（g）多次匹配
• 捕获属性名和值：(\w+)\s*=\s*["']([^"']*)["']，分组1是属性名，分组2是值，适用于键值对格式文本
• 实际使用中建议限制上下文，例如加前缀 <div> 或后缀 <code>\s*>，避免误匹配注释或 JS 字符串

  常见陷阱与替代建议

  正则提取属性易出错的场景：

  • HTML 中属性值含未转义引号（title="He said "Hi""）→ 正则无法正确识别边界
  • 属性跨多行、含换行符或注释 → 需启用 s（dotall）标志，但仍不可靠
  • 嵌套结构（如 <div onclick="foo("a")">）→ 正则难以处理转义和嵌套引号
  • 替代方案：对真实 HTML，优先用浏览器 DOM API（element.getAttribute()）、或 Python 的 BeautifulSoup、JavaScript 的 DOMParser