Stack Overflow 上每隔一阵就冒出同一个问题：怎么用正则把 HTML 里某一段抠出来。底下永远同一个回答：HTML 不是正则语言，换成 XML 解析器。
这个回答是错的。
准确说，结论未必错，理由是错的。而且错得不轻。
先摆那一套说法。形式语言理论里的"正则表达式"只描述正则文法，这没错。但理论里那个正则表达式，和 PCRE 里跑的那个东西，除了名字像，关系很弱。写 PHP 的人天天用的 preg_*，早就不是理论意义上的正则了。
有多不像？{aⁿbⁿ, n>0} 是教科书里最经典的非正则语言，讲乔姆斯基的都会拿它当分界线。PCRE 能匹配它，递归子模式引用就行。
再上一层。结构良好的 HTML 属于上下文无关语言。PCRE 能匹配全部上下文无关语言。按层级算，它够得着 HTML。¹
换句话说，那条分界线是理论里的，不是实现里的。
这句话说出来别扭，因为我们从小听的是反过来的版本。
还能再过分一点。加上零宽断言和相对引用，PCRE 至少能匹配一部分上下文敏感语言，比如 {aⁿbⁿcⁿ}。²
说到底，现代正则实现和"正则性"这个数学概念，只剩很弱的一点关系。
那为什么那句话的结论还是对的？
因为该看的不是能力边界，是失败模式。
两段 HTML，放到两个工具面前。一段格式良好，一段标签没闭合、属性没加引号。
理论层级在这里一点用都没有。DOM 库赢，不是因为它比 PCRE 高一级。执行能力上，这俩未必分得出胜负。DOM 库赢在它容忍坏输入，能从一堆乱字符里重建出一棵树，而且保证给你点东西。
正则不是。匹配到一半崩了，你手里什么都没有。没有部分结果，没有出错的位置，只有 false。
这才是分界线。不是能不能，是错的时候怎么办。
那个回答的后半段也没干净到哪去。它劝人换 XML 解析器，可处理通用 HTML 的正确工具是能容忍格式错误的 DOM 库。这两样不是一回事。它连自己的建议都没对齐。
所以那句话的坏处，不在于劝退了一个具体做法。它把判断标准教错了。人手一把错尺子，量出来的东西全是歪的。
一个人要是真信"正则只能处理正则语言"，会绕很多不该绕的路。从页面上抠一个价格，他去上 DOM 解析器，装依赖，处理编码，写一堆选择器，就为了几行十年没变过格式的数据。
nikic 自己承认过这个矛盾。他常劝人别用正则解析 HTML，然后自己经常这么干。因为很多场景是具体的、封闭的，你事先知道输入长什么样。场景封闭的时候，正则是最省事的那把刀。³
这不是双标。是两个问题的答案本来就不同。
你可能会反对说，坏输入早晚会来。
这反驳有道理，但它反驳的是"无条件用正则"，没人这么主张过。真正的主张是：判断依据应该是输入有多可信，不是这门语言属于第几型。你抓的是自己生成的 HTML，还是互联网上随手一个页面，是两件事。和正则不正则没关系。
插一句不太相干的。带反向引用的正则匹配是 NP 完全的，有人用 3-SAT 归约证明过，还真写过一条 PCRE 去解 3-CNF 布尔公式，跑出来的捕获组就是变量赋值。
这件事的意思不是"正则可厉害了"。是"你随手写的一条正则，匹配问题的复杂度能顶到 NP 完全"。它意味着某些正则在某些输入上会跑到天荒地老。又一个失败模式，不是能力边界。
把话说得更远一点：值得警惕的不是"用正则抠 HTML"这个行为，是"拿形式层级给工具判死刑"这个习惯。
这个句式到处都是。"这个不是某某范式该干的事。""理论上做不到。"听着很硬，其实只是把一句被用滥的口号当成了论据。
乔姆斯基层级是真的，形式语言那套也有用。它的问题是，它描述的是"语言属于哪一类"，不是"你手里这个工具能不能处理你手里这份输入"。两件事被混在一起，然后传了十几年。
也不是没人指出来过。十四年前就有人写过一整篇，从正则文法一路推到非受限文法，把这条路上每一级都拿具体的正则试了一遍。⁴ 那篇文章今天还在，搜得到。可那句话还是照样在传。因为背一句口号比跑一遍测试便宜太多了。
开头那句"这个回答是错的"，说得太满，收紧一点：结论那半边通常是对的，理由是错的。而且错的那半边在传播里跑得更快。
该问的问题从来不是 HTML 是不是正则语言。
是你那份输入坏掉之后，手里还剩什么。
前一个问题查十分钟就有答案，所以人人都答得上来。后一个问题得跑一遍才知道，所以没人愿意回答。
¹ 匹配和解析是两件事。PCRE 一般做不到完整解析、产出一棵语法树。你要的只是从里面抠点数据出来，这个区别通常不重要。
² 这里有条硬限制：后顾断言必须固定宽度，所以上下文敏感文法没法机械地转换成正则，只能一个个手工构造。作者也不知道能不能覆盖全部上下文敏感语言。这一条我保留怀疑。
³ 这不是给"用正则解析 HTML"背书。是说该不该用要按场景判，而场景判断没有通用答案，只有通用的问题。
⁴ 那篇里还有一条实用的：写复杂正则的时候用 x 修饰符、DEFINE 断言和命名子模式，可读性能好很多。跟本文主旨无关，但值得记住。