正则提取HTML文本仅在结构高度可控时可靠，否则易漏匹配或跨标签吞内容；生产环境应优先用BeautifulSoup等解析器，因其能自动修复标签、处理实体、支持CSS选择器且语义准确。
直接用正则提取 HTML 中的文本，只在结构高度可控、无嵌套、无属性干扰时才可靠；一旦遇到 <div class="x">、<p><b>hello</b></p> 或换行，就大概率漏匹配或跨标签吞内容。生产环境应优先用解析器，正则只是临时快筛工具。
为什么 re.sub(r"<[^>]*>", "", html) 会出错
这个写法看似能“删掉所有标签”，但实际隐患很多：
- 它会把
<script>alert("x>y")</script>里的"x>y"当成标签闭合，提前截断 - 注释
<!-- <p>ignored </p> -->会被误拆成碎片 -
<img src="a.jpg" />这类自闭合标签中斜杠前的空格或换行会让[^>]*失效 - HTML 实体如
不会被还原，导致文本残缺
re.findall(r">([^<]*)<", html) 的适用边界
这个模式只适合一种情况：目标文本严格夹在 > 和 < 之间，且中间**绝无嵌套标签、无换行、无 HTML 实体、无引号干扰**。
例如从以下字符串中提取 INEEDTHISTEXT 是可行的：
立即学习“前端免费学习笔记（深入）”；
anything-to-html
下载
将调研报告、方案对比、数据分析、需求梳理、会议纪要、设计说明、代码评审、学习笔记等任务产物输出为可在浏览器直接打开的单文件 HTML，替代 Markdown 作为最终交付物。Markdown 在信息密度、视觉清晰度和可分享性上已跟不上 AI 产物的丰富度，HTML 能同时承载排版、表格、SVG 等。
<div class="dnevnik-lesson__task"><i class="icon"></i>INEEDTHISTEXT</div>
但只要变成这样，就会失败：
<div><p>INEEDTHISTEXT</p></div>
因为 >([^<]*)< 在第一个 > 后就停在了 </p> 的 <，根本进不到内层。
Python 中用 BeautifulSoup 提取纯文本更稳
当你要处理真实网页（含 JS 渲染、不规范标签、编码混杂），BeautifulSoup 是更少出错的选择：
- 自动修复缺失闭合标签，比如把
<p>hello<div>world补全为合法 DOM -
soup.get_text()默认保留段落逻辑，加参数separator="\n", strip=True可控换行与空格 - 支持 CSS 选择器精准定位：
soup.select("div.dnevnik-lesson__task")比正则写 class 匹配清晰得多 - 对中文、emoji、实体字符（
©）天然友好，无需额外 decode
注意：如果 HTML 来自服务端模板（如 Vue 的 <lang>{{msg}}</lang>），BeautifulSoup 仍只解析静态结构，此时需先执行 JS 或用 Selenium。
真正容易被忽略的是：所谓“提取文本”，往往不是单一动作——它常要配合去重、清洗、上下文对齐。正则只负责“切一刀”，而解析器能帮你把这刀切在语义节点上。别为了省两行代码，把后续维护成本翻倍。
