爬取Yahoo Finance财务数据后，如何拆分连串带逗号的数值？

我用BeautifulSoup爬取Yahoo Finance的财务数据（目标页面为NUE的财务报表），想把HTML里的财务数据提取并存入数组，但现在得到的输出是连在一起的数值，比如Total Revenue42,965,39136,483,93920,139,65822,588,85825,067,279，需要把这类连缀的数值拆分（比如把42,965,39136,483,939拆成42,965,391和36,483,939），尝试用正则表达式但没成功，我的代码如下：

with open('Nucor Yahoo HTML.html','r') as html:
content = html.read()
soup = BeautifulSoup(content, 'lxml')
tables = soup.find_all(class_ = 'rw-expnded')
for table in tables:
    pattern = re.compile(r'\d\d\d?,[0-9]{3},[0-9]{3}')
    matches = pattern.finditer(table.text)
    for match in matches:
        print(match)
    print(table.text)

解决方案 #

你之前的正则表达式问题在于它是固定长度匹配，只能匹配xxx,xxx,xxx这类格式，但无法适配xx,xxx,xxx（比如25,067,279）的数值，更处理不了连缀在一起的数值。可以用更灵活的正则来匹配所有带千分位分隔符的数值：

改进后的代码

import re
from bs4 import BeautifulSoup

with open('Nucor Yahoo HTML.html','r') as html:
    content = html.read()
soup = BeautifulSoup(content, 'lxml')
tables = soup.find_all(class_='rw-expnded')

for table in tables:
    # 匹配所有带千分位分隔符的数值：1-3位数字 + 任意次数(逗号+3位数字)
    num_pattern = re.compile(r'\d{1,3}(?:,\d{3})+')
    # 提取所有匹配到的数值，自动拆分连缀项
    numbers = num_pattern.findall(table.text)
    # 提取项目名称（比如"Total Revenue"）
    name_pattern = re.compile(r'^[A-Za-z\s]+')
    item_name = name_pattern.match(table.text).group().strip()
    
    print(f"{item_name}:")
    print(numbers)
    # 若要存入数组，直接使用numbers列表即可

关键说明

• 正则\d{1,3}(?:,\d{3})+的逻辑：
  • \d{1,3}：匹配开头的1-3位数字（覆盖千分位前的1-3位，比如42、36、20）
  • (?:,\d{3})+：非捕获组，匹配1次或多次“逗号+3位数字”的组合（覆盖千分位部分，比如,965,391、,483,939）
• findall会直接返回所有符合规则的数值列表，自动把连缀的数值拆分成独立项。

内容的提问来源于stack exchange，提问作者Michael