使用re与BeautifulSoup从网页提取数字时遭遇问题

我来帮你看看这个问题哈！你的代码核心问题出在正则表达式的使用对象上，咱们一步步拆解：

错误原因 #

soup.find_all('tr') 返回的是BeautifulSoup Tag对象组成的列表，而 re.findall() 只能处理字符串类型的数据，直接把标签列表传给正则函数，自然无法提取到数字。

修正思路 #

1. 遍历每个 <tr> 标签，定位到存储数字的具体单元格（比如评论表格里的第二列 <td>）
2. 提取该单元格的文本内容（转为字符串）
3. 用正则匹配数字（或直接转换为整数，因为网页里的数字单元格通常是纯数字）
4. 收集所有数字并计算总和

修正后的代码 #

from urllib.request import urlopen
from bs4 import BeautifulSoup
import ssl
import re

# Ignore SSL certificate errors
ctx = ssl.create_default_context()
ctx.check_hostname = False
ctx.verify_mode = ssl.CERT_NONE

url = 'http://py4e-data.dr-chuck.net/comments_687617.html'
html = urlopen(url, context=ctx).read()
soup = BeautifulSoup(html, "html.parser")

total_sum = 0
extracted_numbers = []

# 遍历每个表格行
for row in soup.find_all('tr'):
    # 获取当前行的所有单元格
    cells = row.find_all('td')
    # 确保行内有至少2个单元格（评论表格结构：第一列名字，第二列数字）
    if len(cells) >= 2:
        # 提取第二列的文本并去除首尾空白
        num_text = cells[1].text.strip()
        # 用正则匹配数字（兼容可能的非纯数字文本情况）
        num_matches = re.findall(r'\d+', num_text)
        if num_matches:
            number = int(num_matches[0])
            extracted_numbers.append(number)
            total_sum += number

print("提取到的数字列表：", extracted_numbers)
print("数字总和：", total_sum)

额外说明 #

• 如果确定网页里的数字单元格是纯数字，其实可以不用正则，直接 int(cells[1].text.strip()) 即可，正则写法更通用，能处理文本中混杂其他字符的场景。
• 代码里加了总和计算，直接帮你完成作业里的求和需求~

内容的提问来源于stack exchange，提问作者Sebastian Rios