Esta postagem divertida pode explicar isso para você: http://www.codinghorror.com/blog/2009/11/parsing-html-the-cthulhu-way.html
tl; dr
Você não pode analisar [X] HTML com regex. Porque HTML não pode ser analisado por regex. – Usuário StackOverflow chateado
<h3> Use um analisador HTML real: </h3>
<ul>
<li> Ruby: <a href=” http://nokogiri.org/”> Nokogiri </a> </li>
<li> JavaScript: <a href = ” http://jquery.com/ “> jQuery </a> </li>
<li> PHP: <a href=” http://docs.php.net/manual/en/domdocument.loadhtml.php”> PHP5 DOMDocument </a> </ li>
<li> .Net (C #): <a href=” http://htmlagilitypack.codeplex.com/”> Html Agility Pack </a> </li>
<li> VB6: <a href = ” http : //www.codeguru.com/vb/vb_internet/html/article.php/c4815 “> MSHTML </a> (usado pelo IE) </li>
<li> Python: <a href =” http: // lxml.de / xpathxslt.html “> lxml </a> </li>
<li> Perl: <a href=” http://search.cpan.org/~gaas/HTML-Parser-3.68/Parser.pm”> HTML: Parser</a> </li>
<li> Java: <a href=” http://htmlcleaner.sourceforge.net/”> HTML Cleaner </a> </li>
</ul>