如何用Python从HTML文件提取指定数字？求正则或替代方案

嘿，我来帮你搞定这个问题！从HTML里提取内容，其实用正则不是最稳妥的选择（毕竟HTML结构经常变，比如标签里多个空格、属性顺序变了都可能导致正则失效），不过我会给你两种实用方案：一种是更可靠的HTML解析工具，另一种是你想要的正则表达式写法。

方案一：用BeautifulSoup解析HTML（推荐） #

这是处理HTML内容的标准做法，能避免正则的各种坑。步骤很简单：

1. 先安装BeautifulSoup库（如果没装的话）：

pip install beautifulsoup4

2. 编写代码提取数字：

from bs4 import BeautifulSoup

# 把这里替换成你的大型HTML文件内容（如果是本地文件可以用open读取）
html_content = """(...)
<div class="vk_ans vk_bk">0,54125 count id</div>
(...)"""

# 解析HTML内容
soup = BeautifulSoup(html_content, 'html.parser')
# 精准定位到目标div标签（通过class属性）
target_div = soup.find('div', class_='vk_ans vk_bk')

if target_div:
    # 提取div里的纯文本
    div_text = target_div.get_text(strip=True)
    # 提取开头的数字部分（这里用空格分割取第一个元素，也可以用正则匹配更灵活）
    number = div_text.split()[0]
    print("提取到的数字：", number)  # 输出 0,54125
else:
    print("没有找到目标div标签")

如果你的HTML文件特别大，还可以用lxml解析器提升速度，只需要把soup = BeautifulSoup(html_content, 'html.parser')改成soup = BeautifulSoup(html_content, 'lxml')，记得先安装lxml：pip install lxml。

方案二：调整正则表达式提取 #

如果你坚持要用正则，我帮你写了适配目标HTML的正则：

import re

html_content = """(...)
<div class="vk_ans vk_bk">0,54125 count id</div>
(...)"""

try:
    # 正则解释：先匹配目标div的开头标签，然后捕获里面的数字和逗号组合（[\d,]+表示匹配一个或多个数字或逗号）
    found = re.search(r'<div class="vk_ans vk_bk">([\d,]+)', html_content).group(1)
except AttributeError:
    # 如果没匹配到就返回空字符串
    found = ''

print("提取到的数字：", found)  # 输出 0,54125

⚠️ 注意：正则的局限性在于，如果HTML结构有细微变化（比如class属性里多了空格、或者标签里加了其他属性），这个正则可能就失效了，所以还是更推荐用BeautifulSoup的方案。

内容的提问来源于stack exchange，提问作者Patrick