首先让我们明确一点：
正则表达式与HTML解析不兼容并非是一个断言。跟我重复一遍：“不是一个断言”。
这是一个经过科学证实和广为人知的事实。此外，世界也不是在7天内创造出来的，大脚怪也不存在。讨论结束。
我們將此問題限定在以下範圍內：除了正則表達式，我們沒有其他選擇來解析HTML。為什麼？這並不重要。有趣的是，你寫了"這不重要"。事實上，"
為什麼"才是決定你計劃做什麼的部分可能或完全不可能的關鍵。如果有
一件事很重要，那就是"
為什麼"。如果"
為什麼"是"
驗證"，那麼答案就是：根據定義，不可能。驗證需要100％的語言覆蓋率。而正則表達式作為上下文無關語法的子集，因此不能覆蓋100％。然而，如果"
為什麼"是"
提取"，那麼使用正則表達式可以得到相當好的結果。永遠不會100％可靠，但對於大多數情況而言足夠好了。事實上，現代正則表達式可以做出一些非常強大的事情，即使寫法相當冗長。
这种正则表达式的长度、冗余和复杂性表明，虽然用正则表达式描述有效的电子邮件地址并非不可能，但至少是相对困难的，并且实际上更像是一个暴力字典列表，而不是一个干净的语法。顺便说一下：日期字符串验证更糟糕。首先是闰年。
为了说明我对“验证”和“提取”的区别：
要验证一个简单的电子邮件地址，需要一个巨大的6400多个字符的正则表达式。
然而，从电子邮件地址中“提取”域名只需要简单的
@([^\s]+)或
(?<=@)[^\s]+就可以覆盖几乎（如果不是完全）100％。假设字符串被隔离并已知为有效的电子邮件地址。
“生成解析HTML的完美正则表达式是否可能？”你基本上自己回答了这个问题：“不可能”。
那么，这个证明是否具有建设性？我们只知道我们可以吗，还是已经完成了？
这并不是因为“没有人能做到吗？”而是因为“已经被数学证明是不可能的！”。QED
如果不可能，那最准确的是什么？
鉴于根据定义它是不可能的，唯一正确的答案是“没有一个”。
用于解析所有（或尽可能多的）HTML的正则表达式的最佳近似是类似于x | y | z | …的无限长的正则表达式模式，其中x、y、z…是HTML语法的所有（蛮力强制）可能构成，在逻辑上连接在一起，形成了无限长的逻辑OR。它将是一个适当的正则表达式（甚至符合正则表达式的最真实条件），覆盖HTML的所有部分（毕竟它列出并匹配所有可能的字符串），只是理论上可能（或者至少是可行的，就像图灵机一样），但实际上完全无用。
Regex可以描述第三类乔姆斯基语言（正则语言），而HTML（以及大多数其他编程/标记语言）是第二类乔姆斯基语言（上下文无关）。正则语言是上下文无关语言的一个子集。类型n的语法总是可以覆盖类型（n-x）的语言的子集，但永远不可能覆盖全部。因此，正则表达式只能描述HTML的一个子集。大脚怪是一种说法。这是一个事实。
严格的左或右扩展正则表达式没有平衡或嵌套的理解（既不是"S→aSa"也不是混合线性"S→aA,A→Sb,S→ε"）。因此，你无法解析HTML。
"S→aSa"（平衡嵌套）的一个快速示例：
<div>
<div>
...
<div>
<div>
没错，HTML/XML 的核心与正则表达式不兼容。从一开始就是个相当糟糕的位置，不是吗？使用正则表达式解析 HTML 实际上是在其核心部分腐败。设计有缺陷，注定会失败。
对于 "S→aA,A→Sb,S→ε"（计数）：
无法验证每行正确匹配的 <td> 数量：
<table>
<tr>
<td>1</td>
<td>2</td>
<td>3</td>
<td>4</td>
</tr>
<tr>
<td>1</td>
<td>2</td>
<td>3</td>
<td>4</td>
</tr>
</table>
请注意：一旦您减少对语言“X”的识别范围，您就不再是在识别语言“X”，而是一个新的自包含子集语言“Y”。
在语言领域中，要么全有，要么全无。没有中间状态。
现在有人说PCRE可以做到这一点！是的，那就是无上下文语法。
但是，它不再是正则表达式，因此无法通过测试：
“我们别无选择，只能使用正则表达式。”
而且，仍然是错误的工具。针对这些任务有专门的解析器。使用它们。
邮件匹配的正则表达式（由OP链接）难以阅读，更难以维护。
(?:(?:\r\n)?[ \t])*(?:(?:(?:[^()<>@,
?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]
|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:\r\n)?[ \t])*)(?:\.(?:(?:\r\n)
?[ \t])*(?:[^()<>@,
以下是同一规范的一部分，以适当的无上下文语法形式呈现：
address = mailbox ; one addressee
/ group ; named list
group = phrase ":" [#mailbox] ";"
mailbox = addr-spec ; simple address
/ phrase route-addr ; name & addr-spec
route-addr = "<" [route] addr-spec ">"
route = 1#("@" domain) ":" ; path-relative
addr-spec = local-part "@" domain ; global address
local-part = word *("." word) ; uninterpreted
; case-preserved
domain = sub-domain *("." sub-domain)
sub-domain = domain-ref / domain-literal
domain-ref = atom ; symbolic reference
有些人在面对HTML时，会想到“我知道了，我会使用正则表达式。”现在他们有了两个指标级的问题。
那么告诉我，为什么有人会真的远到决定使用甚至想要做得更像呢？
<div title="blah >" id="tricky">。 - Nick