在网页数据抓取、内容解析的场景中，我们经常会遇到需要从杂乱的网页文本中提取车型年份的需求，比如从汽车详情页的描述文本中找出类似2011这样的四位年份数字。这类需求的核心是通过正则表达式精准匹配目标年份，同时避免误匹配其他无关的四位数字。
车型年份的匹配规则分析
车型年份通常是四位数字，且范围一般在1900到当前年份之间，不过实际网页中常见的车型年份多在1990年之后。我们需要先明确匹配的核心约束：
- 必须是连续的四位数字
- 数字范围符合常见车型年份的区间，避免匹配到类似电话号码、邮编等其他四位数字组合
- 如果是从HTML内容中提取，还需要考虑年份可能和前后文本的组合形式，比如
2011款、生产年份：2011这类常见格式
基础正则表达式编写
最基础的匹配四位数字的 regex 是d{4}，但这个规则会匹配所有四位数字，误匹配率很高。我们可以结合车型年份的常见范围优化规则，比如匹配1990到2099之间的年份，正则可以写成(19[9]d|20[0-1]d)，不过实际场景中如果不需要严格限制范围，也可以先匹配四位数字再后续过滤。
如果网页中的车型年份常和款字搭配，比如2011款，可以编写更精准的正则：
# 匹配后面跟着"款"的四位年份
d{4}(?=款)
这里用到了正向预查(?=)，表示匹配的四位数字后面必须跟着款字，但不会把款字本身纳入匹配结果。
不同场景的匹配示例
场景1：从纯文本中提取车型年份
假设我们有如下文本：该车辆为2011款大众朗逸，行驶里程8万公里，首次上牌时间2012年，我们需要提取车型年份2011，对应的Python实现代码如下：
import re
text = "该车辆为2011款大众朗逸，行驶里程8万公里，首次上牌时间2012年"
# 匹配后面跟着"款"的四位年份
pattern = re.compile(r'd{4}(?=款)')
result = pattern.findall(text)
print(result) # 输出：['2011']
场景2：从HTML片段中提取车型年份
如果网页返回的HTML片段如下，需要提取其中的车型年份：
<div class="car-info">
<span>车型：大众朗逸</span>
<span>年份：2011</span>
<span>里程：8万公里</span>
</div>
对应的正则表达式可以匹配年份：后面的四位数字，Python代码如下：
import re
html = '<div class="car-info">n <span>车型：大众朗逸</span>n <span>年份：2011</span>n <span>里程：8万公里</span>n</div>'
# 匹配"年份："后面的四位数字
pattern = re.compile(r'年份：(d{4})')
result = pattern.findall(html)
print(result) # 输出：['2011']
常见注意事项
- 如果网页内容中有多个四位数字，建议先通过上下文关键词缩小匹配范围，比如
款、年份、上牌时间等，降低误匹配概率 - 如果车型年份的格式不固定，比如有的是
2011年，有的是2011款，可以编写组合正则：d{4}(?=款|年|生产)，匹配后面跟着指定关键词的四位数字 - 匹配完成后建议对结果做二次校验，比如判断年份是否在合理区间，避免匹配到无效数据
正则匹配的结果需要结合实际业务场景验证，不同网站的车型年份展示格式可能有差异，建议在正式使用前先对目标网页的样本内容做充分测试。