提取网页中车型年份（如“2011”）的正则表达式实践指南

本文教你如何从Beautiful Soup解析出的文本中精准提取四位数字年份（如2011、2022），结合正则表达式 r”d{4}” 实现可靠匹配，并融入实际车源爬虫流程，兼顾健壮性与初学者友好性。

本文教你如何从beautiful soup解析出的文本中精准提取四位数字年份（如2011、2022），结合正则表达式 `r”d{4}”` 实现可靠匹配，并融入实际车源爬虫流程，兼顾健壮性与初学者友好性。

在使用 Beautiful Soup 抓取汽车列表（如 carsdirect.com 的丰田二手车页）时，车型标题通常以 “2022 Toyota Corolla LE” 这类格式呈现。若目标是筛选特定年份车型（例如仅保留 “2011 Highlander”），关键一步是从文本中稳定、准确地提取年份数字——而不能依赖字符串分割或模糊关键词搜索，因为页面结构可能变化、车型名含数字（如“Camry 2.5L”）、或存在多位数里程/价格干扰。

最简洁可靠的方案是使用正则表达式匹配连续4位数字：r”d{4}”。它能精准捕获年份（如 2011, 2022），同时自动跳过 47,087（里程）、3mi（距离）等非年份数字组合。

以下是在你原有代码基础上增强的完整实现（含错误处理与年份过滤逻辑）：

import requests import re from bs4 import BeautifulSoup  url = "https://www.carsdirect.com/used_cars/listings/toyota" headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36"} page = requests.get(url, headers=headers) soup = BeautifulSoup(page.content, "html.parser")  results = soup.find(id="mainWrapper") job_elements = results.find_all("div", class_="infoCell")  # 目标年份（可动态配置） target_year = "2011" target_model = "highlander"  for job_element in job_elements:     try:         # 提取标题文本（如 "2022 Toyota Corolla LE"）         model_element = job_element.find("p", class_="ymmListRowTitle")         if not model_element or not model_element.text.strip():             continue         title_text = model_element.text.strip()          # ✅ 使用正则提取首个4位年份（最左优先，符合年份前置惯例）         year_match = re.search(r"d{4}", title_text)         if not year_match:             continue         extracted_year = year_match.group(0)          # 提取车型名（转小写便于忽略大小写）         model_name = title_text.lower()          # 筛选：年份匹配 + 车型包含 "highlander"         if extracted_year == target_year and target_model in model_name:             ymm_element = job_element.find("p", class_="ymmListRowTrim")             miles_element = job_element.find("div", class_="mileLine")             price_element = job_element.find("div", class_="priceLine")              print(f"✅ 匹配成功：{title_text}")             print(f"   年份：{extracted_year} | 型号：{ymm_element.text.strip() if ymm_element else 'N/A'}")             print(f"   里程：{miles_element.text.strip() if miles_element else 'N/A'}")             print(f"   价格：{price_element.text.strip() if price_element else 'N/A'}n")      except AttributeError as e:         # 跳过缺失关键字段的异常条目（页面结构微调常见）         continue     except Exception as e:         print(f"处理条目时发生未知错误：{e}")         continue

关键注意事项：

• ? 不要用 re.findall(…)[0] 替代 re.search(…).group(0)：findall 返回列表，空列表取 [0] 会报 IndexError；search 返回 Match 对象或 None，更安全。
• ? 年份位置不固定？ r”d{4}” 自动匹配任意位置的4位数字，但汽车标题中年份几乎总在最前，因此首匹配即为年份——无需额外定位。
• ? 避免误匹配：r”[12]d{3}”（限定1xxx/2xxx）可进一步排除如 9999 等非法年份，但对当前场景非必需；若需严格校验，可追加 1990
• ? 反爬提示：示例中已添加 User-Agent 头，实际部署建议配合随机 UA、请求间隔及 session 复用，避免被封。

掌握这一模式后，你不仅能筛选 2011 Highlander，还可轻松扩展为多条件组合（如 2010–2015 SUV）、导出 CSV 或存入数据库——这是结构化网页数据清洗的第一块坚实基石。