Google Sheets正则匹配求助：提取网页指定文本及金额

我来帮你搞定这个提取问题！你遇到的正则失效问题，大概率是HTML里的隐藏标签、空格/换行干扰，加上多个相似表格的混淆导致的，下面给你两种靠谱的解决思路：

1. 优先用DOM解析工具（最可靠） #

纯正则处理HTML本来就容易踩坑，尤其是结构复杂的表格场景。用DOM解析库能精准定位目标内容，比如Python的BeautifulSoup或者JavaScript的Cheerio，这里以Python为例：

步骤示例： #

from bs4 import BeautifulSoup

# 假设html_content是你获取到的网页完整HTML
soup = BeautifulSoup(html_content, 'html.parser')

# 先定位到目标标题文本（忽略多余空格和标签干扰）
target_title = soup.find(string=lambda text: text and "TAX YEAR TOTAL AMOUNTS DUE as of 4/22/2018" in text.strip())

if target_title:
    # 根据实际DOM结构，找到标题所在的行或表格
    # 比如先找标题所在的<tr>父元素
    target_row = target_title.find_parent('tr')
    # 再定位到同表格里的金额单元格（比如找带CellData类的下一个td）
    amount_cell = target_row.find_next('td', class_='CellData')
    
    if amount_cell:
        # 提取并清理金额文本
        total_amount = amount_cell.get_text(strip=True)
        print(f"提取到的应缴总金额：{total_amount}")

关键提示： #

你需要先观察网页的实际DOM结构：

• 目标标题和金额是不是在同一个<tr>或者<table>里？
• 金额所在的<td>有没有专属的class/id（比如你提供的片段里的CellData）？
• 如果有多个相似表格，可以先通过表格的唯一特征（比如特定class、其他标识文本）过滤，再在目标表格里查找内容。

2. 若坚持用正则，调整匹配逻辑 #

如果一定要用正则，得把HTML里的干扰项（标签、空格、换行）考虑进去，同时精准匹配美元金额格式：

import re

# 允许目标文本和金额之间存在任意HTML标签、空格或换行
pattern = r'TAX YEAR TOTAL AMOUNTS DUE as of 4/22/2018(?:\s|<[^>]+>)*\$([\d,]+\.\d{2})'
match = re.search(pattern, html_content, re.DOTALL)

if match:
    total_amount = match.group(1)
    print(f"提取到的金额：${total_amount}")

• (?:\s|<[^>]+>)*用来匹配任意数量的空格、换行或HTML标签；
• \$([\d,]+\.\d{2})精准匹配美元金额格式（比如$12,345.67），并捕获数字部分。

不过这种方法容错性差，一旦HTML结构微调，正则就可能失效，还是更推荐DOM解析的方式。

内容的提问来源于stack exchange，提问作者user9683176