如何从HTML提取page=、new">、/a>-后的三类数字？用BS还是正则？

最终选型结论 #

优先使用BeautifulSoup基于已定位的a标签做关联提取，不建议直接用正则全局匹配整个HTML。

全局正则匹配的弊端 #

• 匹配精度无保障：全局扫描/a>-\d+模式时，只要页面任意位置出现同类字符串（比如无关a标签闭合后、HTML注释、其他功能模块的文本里的相似片段），就会误抓结果。
• 结果对齐成本极高：你已经筛选出了符合条件的a标签列表，全局匹配到的数字序列很可能和a标签的顺序、数量不匹配，最后会出现跨条目错位，把不同pdf条目下的页码数混在一起。

基于a标签关联提取的优势 #

• 绑定关系天然可靠：第三类数字本身就是紧跟在对应a标签后面的同级文本节点，和当前循环处理的a标签属于同一个页码条目，不会出现跨条目错位。
• 完全兼容你现有的循环流程，不需要重新全量扫描HTML，执行效率更高。

现有代码的问题与修正 #

你现在写的循环逻辑有两处明显问题：

1. number1 = filter(regex.match, tables)逻辑完全错误：regex.match是从字符串起始位置做匹配，tables是整个a标签对象列表，既没有把每个a标签的href属性单独传入匹配，也没有用search做子串匹配，根本取不到page后面的数字。
2. 你在尝试用table.next_sibling.strip()取a标签后的文本时，拿到的就是类似-4450的字符串，拆分后刚好可以对应第二类、第三类数字的位置，不需要额外扫描全页。

修正后的可运行代码 #

import re
from bs4 import BeautifulSoup

# 初始化解析器（替换为你自己的HTML源码、解析器配置）
soup = BeautifulSoup(your_html_content, "html.parser")
target_a_tags = soup.find_all('a', attrs={'target': 'new'})

list_of_number1 = []  # page=后跟的数字
list_of_number2 = []  # target="new">后面的a标签文本数字
list_of_number3 = []  # /a>-后面的数字

# 预编译匹配规则
page_re = re.compile(r"page=(\d+)")
dash_re = re.compile(r"-(\d+)")

for a_tag in target_a_tags:
    # 提取number1：从a标签的href属性中匹配page后的数字
    href_content = a_tag.get("href", "")
    page_result = page_re.search(href_content)
    list_of_number1.append(int(page_result.group(1)) if page_result else None)

    # 提取number2：a标签内部的纯文本内容
    a_inner_text = a_tag.get_text(strip=True)
    list_of_number2.append(int(a_inner_text))

    # 提取number3：a标签紧邻的后续兄弟文本节点中，横杠后的数字
    next_text_node = a_tag.next_sibling.strip() if a_tag.next_sibling else ""
    dash_result = dash_re.search(next_text_node)
    list_of_number3.append(int(dash_result.group(1)) if dash_result else None)

边界场景说明：如果a标签和后续横杠数字之间插入了其他嵌套HTML标签（比如<b>、<span>），直接取next_sibling可能拿不到目标文本，这时候可以定位a标签的父级td元素，在父元素的全量文本里做匹配，这种方式的匹配精度依然远高于全局正则扫描。

内容的提问来源于stack exchange，提问作者id345678