前言
爬虫页面解析环节中，XPath、CSS 选择器依赖规范 DOM 标签结构，当页面 HTML 代码被压缩、标签错乱、前后无固定层级包裹时，标签定位方案失效，正则表达式成为不规则文本、内嵌 JSON 片段、零散参数截取的首选解析手段。正则匹配分为贪心匹配与非贪心匹配两类基础模式，二者匹配逻辑的差异直接决定数据提取精准度，绝大多数爬虫乱码、多余字符混入、多目标内容错合并等解析故障，根源均为贪心规则误用。本文围绕爬虫实战场景拆解贪心 / 非贪心底层原理，结合网页混杂文本、内嵌脚本变量、隐藏接口参数、分段不规则字符串四类高频爬虫数据源，配套可运行 Python 代码、结果对照表格，区分 re 内置函数使用边界，同时补充预编译正则、分组捕获、零宽断言等进阶爬虫截取方案，建立一套依托正则规则的标准化文本提取流程。
本文所需依赖官方文档链接：
