Блог

Я учусь программировать на python, используя книгу automate the boring stuff. Один из проектов заключается в использовании регулярных выражений для извлечения информации из таблицы данных. Код, приведенный в книге, работает плохо, я думаю, что данные примера изменились, поэтому я адаптировал код для удаления ошибок.

Пример ошибок — извлеченный адрес электронной почты — 1852nvinson8@hotmail.com извлеченное имя — Коммилтон Уэйд

Я добавил пару строк, чтобы удалить com / net в имени и 4 цифры в начале адреса электронной почты.

 (d{4})                           # cheat code to remove digits
([A-Z][a-z] )                     # starts with capital - first name
  

Есть ли лучший способ извлечь данные без добавления кода для удаления ошибок?

Пример данных примера

 Norbert Vinson385-868-1852nvinson8@hotmail.comMilton Wade931-883-8104mwade90@gmail.comLauren Barnett573-991-4106lbarnett80@sbcglobal.netCary Kirby859-271-7097ckirby9@msn.comBiostatisticianClark Salinas845-641-5553csalinas16@mac.comOfficerHugo Cross500-760-4858hcross@optonline.netAssistantDomenic Molina256-975-9610dmolina@me.com
  

мой код

 
import re, pyperclip

# create regex for name

nameRegex = re.compile(r'''(
([A-Z][a-z] )                    # starts with capital - first name
s                               # space
([a-zA-Z] )                      # last name

)''', re.VERBOSE)

# Create a regex for phone numbers

# 415-555-0000, 555-0000, (415) 555-0000, 555-0000 ext 12345, ext. 12345, x12345
phoneRegex = re.compile(r'''(
(d{3}|(d{3}))?                # area code
(s|-|.)?                        # separator
(d{3})                           # first 3 digits
(s|-|.)                         # separator
(d{4})                           # last 4 digits
(s*(ext|x|ext.)s*(d{2,5}))?    # extension
)''', re.VERBOSE)


# Create a regex for email addresses

# some. _thing@something.com
emailRegex = re.compile(r'''(
(d{4})                           # cheat to remove digits
([a-zA-Z0-9_. ] )                 # name part
(@ )                              # @ symbol
([a-zA-Z0-9_. ] )                 # domain name
(.com|.net )                    # cheat for TLD


# Find all Matches in the Clipboard Text
text = str(pyperclip.paste())

matches = []

for groups in nameRegex.findall(text):
    matches.append(groups[0])

for groups in phoneRegex.findall(text):
    phoneNumbers = '-'.join([groups[1],groups[3], groups[5]])
    matches.append(phoneNumbers)
    
 
for groups in emailRegex.findall(text):
    emailAddress = ''.join([groups[2],groups[3],groups[4],groups[5]])
    matches.append(emailAddress)
    

# print the extracted email/phone 

if len(matches) > 0:
    print('n'.join(matches))
else:
    print('No phone numbers or email addresses found.')
print(matches)
  

Я могу предложить вам этот способ извлечения данных «одно правило, чтобы управлять ими всеми» 🙂

 (?P<Position>[A-Z][a-z] ){0,}(?P<FullName>(?P<FirstName>[A-Z][a-z] )s(?P<LastName>[A-Z][a-z] ))(?P<SocialNumber>d{3}-d{3}-d{4})(?P<email>[w.-] @[w] .[a-z] )
  

вы можете попробовать его в живом виде наhttps://regex101.com/r/h7kW07/1

кстати, если вы попытаетесь создать новую учетную запись электронной почты в yahoo с вашим примером (некоторые. thing@something.com ), он завершится ошибкой: «Вы можете использовать только буквы, цифры, точки (‘.’) и подчеркивания (‘’) в вашем имени пользователя». Таким образом, хорошим шаблоном для этого случая будет ([ w.] )

p.s. он не будет передавать электронные письма с ‘ ‘

Поскольку разные желаемые части (например, должность, имя, номер, адрес электронной почты) связаны друг с другом, было бы эффективнее извлечь их все, используя один шаблон, который может быть:

 (?P<POS>[A-Z][a-z] )?(?P<NME>(?:[A-Z][a-zs] ) )(?P<NUM>(?:d -?) )(?P<EML>w @w (?:.com|.net))
  

Вы можете попробовать это в интерактивном режиме на следующем веб-сайте:

https://regex101.com/r/fcwzfx/1