为何正则匹配宗教人口数据时返回<td>标签而非数字？

核心错误原因 #

你的正则表达式写法完全搞反了捕获目标：

• 你写的"(<?<td>)[0-9,]*"里，捕获组()把<td>的转义字符<td>包含在内，所以正则只会捕获到<td>标签，而不是后面的数字。
• 另外，你已经将BeautifulSoup节点转为字符串，不需要用<td>这种转义写法，直接写<td>即可。

修正方案 #

方案1：修正正则表达式 #

把获取believers的代码改成下面这样：

# 用捕获组直接抓取<td>标签内的数字部分
believers = re.findall(r"<td>([0-9,]+)", religion_population)
# 注意：字符串是不可变类型，replace不会修改原变量，需要重新赋值
believers = [x.replace(",", "") for x in believers]
print(believers)

这样就能得到纯数字字符串的列表，要是需要数值类型，再转成int或float即可。

方案2：用BeautifulSoup直接提取（更可靠） #

其实没必要把节点转成字符串再用正则，直接用BeautifulSoup的API提取更稳定，避免HTML结构小变动导致正则失效：

religion_table = doc.find(id="religion")
# 找到所有<td>标签，提取文本并过滤出数字内容
believers = [td.get_text().strip().replace(",", "") for td in religion_table.find_all("td") if td.get_text().strip().replace(",", "").isdigit()]
print(believers)

额外提示 #

处理HTML解析时，优先用BeautifulSoup的节点查找方法，正则只适合处理纯文本内容，直接用正则匹配HTML字符串很容易因为标签属性、换行等问题出错。

内容的提问来源于stack exchange，提问作者Virtual Adept