如何从带逗号的数值中提取数字？维基百科JSON数据提取问题

我太懂这种头疼的情况了——维基百科JSON里的人口数值带千位分隔逗号，还有时隐时现的标签，确实会把原来的正则搞崩。给你几个实用的解决思路：

核心思路：先捕获带逗号的数值，再清理逗号；同时兼容有无标签的情况 #

我们可以写一个弹性的正则表达式，先精准匹配等号后的人口数值（包含逗号），再把逗号去掉；同时让标签成为可选匹配项，不管它存在与否都不影响数值提取。

推荐的正则表达式 #

population\s*=\s*([\d,]+)(?:<ref.*?>.*?</ref>)?

各部分解释：

• population\s*=\s*：匹配"population ="的核心结构，允许等号前后有任意空格（处理维基百科可能的格式差异）
• ([\d,]+)：捕获组，专门提取数字和逗号的组合（这就是我们要的原始人口数值）
• (?:<ref.*?>.*?</ref>)?：可选的非捕获组，匹配完整的标签及其内部内容，末尾的?表示这部分可以不存在

额外兼容自闭合标签 #

如果遇到自闭合的<ref />标签，可以把正则调整为：

population\s*=\s*([\d,]+)(?:<ref.*?/>|<ref.*?>.*?</ref>)?

代码示例（以Python为例） #

import re

# 测试两种典型字符串
sample_with_ref = "population = 1,234,567<ref>数据来源：维基百科人口统计</ref>"
sample_without_ref = "population = 987,654"

# 使用正则匹配
pattern = r'population\s*=\s*([\d,]+)(?:<ref.*?>.*?</ref>)?'

# 处理带ref的字符串
match1 = re.search(pattern, sample_with_ref)
if match1:
    raw_population = match1.group(1)
    clean_population = raw_population.replace(',', '')
    print(f"提取的人口数值：{clean_population}")  # 输出：1234567

# 处理不带ref的字符串
match2 = re.search(pattern, sample_without_ref)
if match2:
    raw_population = match2.group(1)
    clean_population = raw_population.replace(',', '')
    print(f"提取的人口数值：{clean_population}")  # 输出：987654

效果说明 #

不管目标字符串里有没有标签，这个正则都能精准捕获到等号后的带逗号数值，再通过replace(',', '')就能得到纯数字的人口数据，完美解决逗号干扰和标签存在与否的问题。

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