Python基础(26) - 如何提取电话号码中的区号，电话号码及分机号

Posted 2023-05-12

参考技术A 加油 2020-3-4

如何改进正则表达式来提取电话号码？

【中文标题】如何改进正则表达式来提取电话号码？

【英文标题】：How to improve regular expression to extract phone numbers?

【发布时间】：2018-05-26 16:40:17

【问题描述】：

我正在尝试使用正则表达式从网络链接中提取电话号码。我面临的问题是不需要的 id 和网页的其他元素。如果有人可以提出一些改进建议，那将非常有帮助。下面是我在 Python 中使用的代码和正则表达式，

from urllib2 import urlopen as uReq
uClient = uReq(url)
page_html = uClient.read()
print re.findall(r"(\(?\d3\D0,3\d3\D0,3\d4).*?",page_html)

现在，对于大多数网站来说，脚本会获取一些页面元素值并且有时是准确的。请建议对表达式进行一些修改

re.findall(r"(\(?\d3\D0,3\d3\D0,3\d4).*?",page_html)

对于不同的 url，我的输出如下所示

http://www.fraitagengineering.com/index.html
['[phone]']
http://hunterhawk.com/
['1481240672', '1481240643', '1479852632', '1478013441', '1481054486', '1481054560', '1481054598', '1481054588', '1476820246', '1481054521', '1481054540', '1476819829', '1481240830', '1479855986', '1479855990', '1479855994', '1479855895', '1476819760', '1476741750', '1476741750', '1476820517', '1479862863', '1476982247', '1481058326', '1481240672', '1481240830', '1513106590', '1481240643', '1479855986', '1479855990', '1479855994', '1479855895', '1479852632', '1478013441', '1715282331', '1041873852', '1736722557', '1525761106', '1481054486', '1476819760', '1481054560', '1476741750', '1481054598', '1476741750', '1481054588', '1476820246', '1481054521', '1476820517', '1479862863', '1481054540', '1476982247', '1476819829', '1481058326', '[phone]', '2093796260']
http://www.lbjewelrydesign.com/
['213-629-1823', '213-629-1823']

我只想要[phone] (not that I have added space after parenthesis),[phone]or000-000-0000` 格式的电话号码。任何建议表示赞赏。请注意，我已经参考了这个链接：Find phone numbers in python script

我需要改进正则表达式以满足我的特定需求。

【问题讨论】：

这个答案可能会有所帮助：***.com/questions/3868753/…

【参考方案1】：

以下正则表达式可用于匹配您提供的样本和其他类似数字：

(\([0-9]3\)[\s-]?|[0-9]3-)[0-9]3-[0-9]4

除了使用正则表达式之外，以下示例脚本可用于测试正负案例：

import re

positiveExamples = [
    '[phone]',
    '[phone]',
    '[phone]',
    '000-000-0000'
]
negativeExamples = [
    '000 000-0000',
    '000-000 0000',
    '000 000 0000',
    '000000-0000',
    '000-0000000',
    '0000000000'
]

reObj = re.compile(r"(\([0-9]3\)[\s-]?|[0-9]3-)[0-9]3-[0-9]4")

for example in positiveExamples:
    print 'Asserting positive example: %s' % example
    assert reObj.match(example)

for example in negativeExamples:
    print 'Asserting negative example: %s' % example
    assert reObj.match(example) == None

【参考方案2】：

如果您只能搜索网页的纯文本，您可以完全避免在 ids、其他属性或 HTML 标记内进行搜索。可以通过BeautifulSoup HTML parser处理网页内容来实现：

from urllib2 import urlopen as uReq

from bs4 import BeautifulSoup

page_text = BeautifulSoup(uReq(url), "html.parser").get_text()

然后，正如 Jake 在 cmets 中提到的，你可以让你的正则表达式更可靠：

Find phone numbers in python script