7.6. 个案研究：解析电话号码 · Dive Into Python

# 7.6. 个案研究：解析电话号码迄今为止，你主要是匹配整个模式，不论是匹配上，还是没有匹配上。但是正则表达式还有比这更为强大的功能。当一个模式_确实_ 匹配上时，你可以获取模式中特定的片断，你可以发现具体匹配的位置。这个例子来源于我遇到的另一个现实世界的问题，也是在以前的工作中遇到的。问题是：解析一个美国电话号码。客户要能 (在一个单一的区域中) 输入任何数字，然后存储区号、干线号、电话号和一个可选的独立的分机号到公司数据库里。为此，我通过网络找了很多正则表达式的例子，但是没有一个能够完全满足我的要求。这里列举了我必须能够接受的电话号码： * `800-555-1212` * `800 555 1212` * `800.555.1212` * `(800) 555-1212` * `1-800-555-1212` * `800-555-1212-1234` * `800-555-1212x1234` * `800-555-1212 ext. 1234` * `work 1-(800) 555.1212 #1234` 格式可真够多的！我需要知道区号是 `800`，干线号是 `555`，电话号的其他数字为 `1212`。对于那些有分机号的，我需要知道分机号为 `1234`。让我们完成电话号码解析这个工作，这个例子展示第一步。 ## 例 7.10. 发现数字 ``` >>> phonePattern = re.compile(r'^(\d{3})-(\d{3})-(\d{4})$') >>> phonePattern.search('800-555-1212').groups() ('800', '555', '1212') >>> phonePattern.search('800-555-1212-1234') >>> ``` | | | | --- | --- | | \[1\] | 我们通常从左到右阅读正则表达式。这个正则表达式匹配字符串的开始，接着匹配 `(\d{3})`。`\d{3}` 是什么呢？好吧，`{3}` 的含义是“精确匹配三个数字”；这是曾在前面见到过的 [`{n,m}`](n_m_syntax.html "7.4. 使用 {n,m} 语法") 语法的一种变形。`\d` 的含义是 “任何一个数字” (`0` 到 `9`)。把它们放大括号中意味着要“精确匹配三个数字位，_接着把它们作为一个组保存下来，以便后面的调用_”。接着匹配一个连字符，接着是另外一个精确匹配三个数字位的组，接着另外一个连字符，接着另外一个精确匹配四个数字为的组，接着匹配字符串的结尾。 | | \[2\] | 为了访问正则表达式解析过程中记忆下来的多个组，我们使用 `search` 函数返回对象的 `groups()` 函数。这个函数将返回一个元组，元组中的元素就是正则表达式中定义的组。在这个例子中，定义了三个组，第一个组有三个数字位，第二个组有三个数字位，第三个组有四个数字位。 | | \[3\] | 这个正则表达式不是最终的答案，因为它不能处理在电话号码结尾有分机号的情况，为此，我们需要扩展这个正则表达式。 | ## 例 7.11. 发现分机号 ``` >>> phonePattern = re.compile(r'^(\d{3})-(\d{3})-(\d{4})-(\d+)$') >>> phonePattern.search('800-555-1212-1234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('800 555 1212 1234') >>> >>> phonePattern.search('800-555-1212') >>> ``` | | | | --- | --- | | \[1\] | 这个正则表达式和上一个几乎相同，正像前面的那样，匹配字符串的开始，接着匹配一个有三个数字位的组并记忆下来，接着是一个连字符，接着是一个有三个数字位的组并记忆下来，接着是一个连字符，接着是一个有四个数字位的组并记忆下来。不同的地方是你接着又匹配了另一个连字符，然后是一个有一个或者多个数字位的组并记忆下来，最后是字符串的结尾。 | | \[2\] | 函数 `groups()` 现在返回一个有四个元素的元组，由于正则表达式中定义了四个记忆的组。 | | \[3\] | 不幸的是，这个正则表达式也不是最终的答案，因为它假设电话号码的不同部分是由连字符分割的。如果一个电话号码是由空格符、逗号或者点号分割呢？你需要一个更一般的解决方案来匹配几种不同的分割类型。 | | \[4\] | 啊呀！这个正则表达式不仅不能解决你想要的任何问题，反而性能更弱了，因为现在你甚至不能解析一个没有分机号的电话号码了。这根本不是你想要的，如果有分机号，你要知道分机号是什么，如果没有分机号，你仍然想要知道主电话号码的其他部分是什么。 | 下一个例子展示正则表达式处理一个电话号码内部，采用不同分隔符的情况。 ## 例 7.12. 处理不同分隔符 ``` >>> phonePattern = re.compile(r'^(\d{3})\D+(\d{3})\D+(\d{4})\D+(\d+)$') >>> phonePattern.search('800 555 1212 1234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('800-555-1212-1234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('80055512121234') >>> >>> phonePattern.search('800-555-1212') >>> ``` | | | | --- | --- | | \[1\] | 当心啦！你首先匹配字符串的开始，接着是一个三个数字位的组，接着是 `\D+`，这是个什么东西？好吧，`\D` 匹配任意字符，_除了_ 数字位，`+` 表示“1 个或者多个”，因此 `\D+` 匹配一个或者多个不是数字位的字符。这就是你替换连字符为了匹配不同分隔符所用的方法。 | | \[2\] | 使用 `\D+` 代替 `-` 意味着现在你可以匹配中间是空格符分割的电话号码了。 | | \[3\] | 当然，用连字符分割的电话号码也能够被识别。 | | \[4\] | 不幸的是，这个正则表达式仍然不是最终答案，因为它假设电话号码一定有分隔符。如果电话号码中间没有空格符或者连字符的情况会怎样哪？ | | \[4\] | 我的天！这个正则表达式也没有达到我们对于分机号识别的要求。现在你共有两个问题，但是你可以利用相同的技术来解决它们。 | 下一个例子展示正则表达式处理_没有_ 分隔符的电话号码的情况。 ## 例 7.13. 处理没有分隔符的数字 ``` >>> phonePattern = re.compile(r'^(\d{3})\D*(\d{3})\D*(\d{4})\D*(\d*)$') >>> phonePattern.search('80055512121234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('800.555.1212 x1234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('800-555-1212').groups() ('800', '555', '1212', '') >>> phonePattern.search('(800)5551212 x1234') >>> ``` | | | | --- | --- | | \[1\] | 和上一步相比，你所做的唯一变化就是把所有的 `+` 变成 `*`。在电话号码的不同部分之间不再匹配 `\D+`，而是匹配 `\D*` 了。还记得 `+` 的含义是“1 或者多个”吗? 好的，`*` 的含义是“0 或者多个”。因此，现在你应该能够解析没有分隔符的电话号码了。 | | \[2\] | 你瞧，它真的可以胜任。为什么？首先匹配字符串的开始，接着是一个有三个数字位 (`800`) 的组，接着是 0 个非数字字符，接着是一个有三个数字位 (`555`) 的组，接着是 0 个非数字字符，接着是一个有四个数字位 (`1212`) 的组，接着是 0 个非数字字符，接着是一个有任意数字位 (`1234`) 的组，最后是字符串的结尾。 | | \[3\] | 对于其他的变化也能够匹配：比如点号分隔符，在分机号前面既有空格符又有 `x` 符号的情况也能够匹配。 | | \[4\] | 最后，你已经解决了长期存在的一个问题：现在分机号是可选的了。如果没有发现分机号，`groups()` 函数仍然返回一个有四个元素的元组，但是第四个元素只是一个空字符串。 | | \[5\] | 我不喜欢做一个坏消息的传递人，此时你还没有完全结束这个问题。还有什么问题呢？当在区号前面还有一个额外的字符时，而正则表达式假设区号是一个字符串的开始，因此不能匹配。这个不是问题，你可以利用相同的技术“0或者多个非数字字符”来跳过区号前面的字符。 | 下一个例子展示如何解决电话号码前面有其他字符的情况。 ## 例 7.14. 处理开始字符 ``` >>> phonePattern = re.compile(r'^\D*(\d{3})\D*(\d{3})\D*(\d{4})\D*(\d*)$') >>> phonePattern.search('(800)5551212 ext. 1234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('800-555-1212').groups() ('800', '555', '1212', '') >>> phonePattern.search('work 1-(800) 555.1212 #1234') >>> ``` | | | | --- | --- | | \[1\] | 这个正则表达式和前面的几乎相同，但它在第一个记忆组 (区号) 前面匹配 `\D*`，0 或者多个非数字字符。注意，此处你没有记忆这些非数字字符 (它们没有被括号括起来)。如果你发现它们，只是跳过它们，接着只要匹配上就开始记忆区号。 | | \[2\] | 你可以成功地解析电话号码，即使在区号前面有一个左括号。(在区号后面的右括号也已经被处理，它被看成非数字字符分隔符，由第一个记忆组后面的 `\D*` 匹配。) | | \[3\] | 进行仔细的检查，保证你没有破坏前面能够匹配的任何情况。由于首字符是完全可选的，这个模式匹配字符串的开始，接着是 0 个非数字字符，接着是一个有三个数字字符的记忆组 (`800`)，接着是 1 个非数字字符 (连字符)，接着是一个有三个数字字符的记忆组 (`555`)，接着是 1 个非数字字符 (连字符)，接着是一个有四个数字字符的记忆组 (`1212`)，接着是 0 个非数字字符，接着是一个有 0 个数字位的记忆组，最后是字符串的结尾。 | | \[4\] | 此处是正则表达式让我产生了找一个硬东西挖出自己的眼睛的冲动。为什么这个电话号码没有匹配上？因为在它的区号前面有一个 `1`，但是你认为在区号前面的所有字符都是非数字字符 (`\D*`)。唉！ | 让我们往回看一下。迄今为止，正则表达式总是从一个字符串的开始匹配。但是现在你看到了，有很多不确定的情况需要你忽略。与其尽力全部匹配它们，还不如全部跳过它们，让我们采用一个不同的方法：根本不显式地匹配字符串的开始。下面的这个例子展示这个方法。 ## 例 7.15. 电话号码，无论何时我都要找到它 ``` >>> phonePattern = re.compile(r'(\d{3})\D*(\d{3})\D*(\d{4})\D*(\d*)$') >>> phonePattern.search('work 1-(800) 555.1212 #1234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('800-555-1212') ('800', '555', '1212', '') >>> phonePattern.search('80055512121234') ('800', '555', '1212', '1234') ``` | | | | --- | --- | | \[1\] | 注意，在这个正则表达式的开始少了一个 `^` 字符。你不再匹配字符串的开始了，也就是说，你需要用你的正则表达式匹配整个输入字符串，除此之外没有别的意思了。正则表达式引擎将要努力计算出开始匹配输入字符串的位置，并且从这个位置开始匹配。 | | \[2\] | 现在你可以成功解析一个电话号码了，无论这个电话号码的首字符是不是数字，无论在电话号码各部分之间有多少任意类型的分隔符。 | | \[3\] | 仔细检查，这个正则表达式仍然工作的很好。 | | \[4\] | 还是能够工作。 | 看看一个正则表达式能够失控得多快？回头看看前面的例子，你还能区别它们么？当你还能够理解这个最终答案的时候 (这个正则表达式就是最终答案，即使你发现一种它不能处理的情况，我也真的不想知道它了)，在你忘记为什么你这么选择之前，让我们把它写成松散正则表达式的形式。 ## 例 7.16. 解析电话号码 (最终版本) ``` >>> phonePattern = re.compile(r''' # don't match beginning of string, number can start anywhere (\d{3}) # area code is 3 digits (e.g. '800') \D* # optional separator is any number of non-digits (\d{3}) # trunk is 3 digits (e.g. '555') \D* # optional separator (\d{4}) # rest of number is 4 digits (e.g. '1212') \D* # optional separator (\d*) # extension is optional and can be any number of digits $ # end of string ''', re.VERBOSE) >>> phonePattern.search('work 1-(800) 555.1212 #1234').groups() ('800', '555', '1212', '1234') >>> phonePattern.search('800-555-1212') ('800', '555', '1212', '') ``` | | | | --- | --- | | \[1\] | 除了被分成多行，这个正则表达式和最后一步的那个完全相同，因此它能够解析相同的输入一点也不奇怪。 | | \[2\] | 进行最后的仔细检查。很好，仍然工作。你终于完成了这件任务。 | ## 关于正则表达式的进一步阅读 * Regular Expression HOWTO 讲解正则表达式和如何在 Python 中使用正则表达式。 * _Python Library Reference_ 概述了 [`re` module](http://www.python.org/doc/current/lib/module-re.html)。