从HTML内容中提取标题

Question

鉴于以下HTML内容（仅限于我要求的绝对最小）：

我如何使用Regex提取Page Title？

Answer 1

正如其他人所评论的那样，正则表达式可能不适合防弹方法。例如。使用正则表达式，很难检查<title>标记是否是HTML中引用字符串的一部分。对于像这样的问题，这是对StackOverflow的反复回应。但就个人而言，我认为你有一个观点认为解析器对于如此简单的提取会有点过分。如果您正在寻找一种当时大多数的方法，那么下列其中一种方法应该是冲浪的。

选项1：Lookbehind / lookahead

(?<=<title[\s\n]*>[\s\n]*)(.(?![\s\n]*</title[\s\n]*>))*

这使用lookbehind and lookahead作为标签 - .NET有一个复杂的正则表达式引擎，允许无限重复，因此你甚至可以检查标签名称和结束括号之间的空格/返回字符（参见this answer ）。

选项2：捕获群组

<title[\s\n]*>[\s\n]*(.*)[\s\n]*</title[\s\n]*>

类似但稍微简单 - 整个正则表达式匹配包括开始和结束标记。第一个（也是唯一一个）捕获组(.*)捕获它们之间感兴趣的位。

可视化：

Edit live on Debuggex