如何从爬取的Billboard榜单长字符串中提取歌曲名子串

优先用位置特征提取的思路，比大写匹配的稳定性高很多。你拿到的单年数据本身是标准逗号分隔的结构化文本，按分隔符位置取内容的逻辑不容易出错；全大写匹配的方案容错性极差，一旦碰到带非大写字符、特殊标点的歌曲名就会漏抓或者错抓，只适合完全丢失结构化分隔符的场景兜底用。

具体实现逻辑 #

• 先把单年的原始多行文本按换行符拆分，过滤掉空行和首尾多余空格
• 从第一行（表头行）里用正则抓四位数字，就是对应年份
• 跳过表头行，遍历剩下的10条排名数据：
  每一行按逗号拆分后，去掉每段内容首尾的空白，取索引为1的片段就是歌曲标题
• 把同一年的10个标题存为列表，和年份键值配对塞进最终字典即可

可直接复用的代码示例 #

import re

def parse_single_year(raw_text: str) -> tuple[str, list[str]]:
    # 拆分文本为非空行，统一去除首尾空白
    lines = [line.strip() for line in raw_text.splitlines() if line.strip()]
    # 提取四位年份
    year = re.search(r"\d{4}", lines[0]).group()
    songs = []
    # 跳过表头，逐行提取歌曲名
    for rank_line in lines[1:]:
        segments = [seg.strip() for seg in rank_line.split(",")]
        # 避免格式异常的行导致报错
        if len(segments) >= 2:
            songs.append(segments[1])
    return year, songs

# 生成你需要的最终字典
# 替换all_year_raw_data为你存储所有年份原始文本的列表
final_result = {}
for year_raw in all_year_raw_data:
    cur_year, cur_songs = parse_single_year(year_raw)
    final_result[cur_year] = cur_songs

特殊情况处理 #

如果碰到歌曲名本身带逗号的极端情况（历史榜单里这类情况占比极低），可以调整分割逻辑：只定位第一个逗号（排名后）和最后一个逗号（歌手名前）的位置，把两个位置中间的所有内容提取后去除首尾空白，就是完整歌曲名，不会被名字里的逗号截断。

内容的提问来源于stack exchange，提问作者brenchen27