Python 电话号码的正则表达式表现异常

Question

我开发了一个 Python 正则表达式，大约 90% 的时间从文本中提取电话号码。 但是，有时会出现奇怪的异常情况。 我的代码如下：

phone_pattern = re.compile(r'(\d{3}[-\.\s]\d{3}[-\.\s]\d{4}|\(\d{3}\)\s*\d{3}[-\.\s]\d{4}|\d{3}[-\.\s]\d{4})')
df['phone'] = df['text'].apply(lambda x: phone_pattern.findall(x))
df['phone']=df['phone'].apply(lambda y: '' if len(y)==0 else y)
df['phone'] = df['phone'].apply(', '.join)

此代码提取电话号码并附加一个名为“电话”的新列。 如果有多个数字，它们用逗号分隔。

但是，以下文本会生成一个奇怪的 output：

university of blah school of blah blah blah (jane doe doe) 1234567890 1234 miller Dr E233 MILLER DR blah blah fl zipcode in the morning or maybe Monday.

我当前的代码给我的 output 是：

890 1234

而不是所需的实际数量：

1234567890

这发生在几个例子上。 我试过编辑正则表达式，但这只会让情况变得更糟。 任何帮助，将不胜感激。 另外，我认为这个问题很有用，因为 Stackoverflow 上提供的很多电话正则表达式对我不起作用。

Answer 1

您可以使用

(\b\d{3}[-.\s]?\d{3}[-.\s]?\d{4}|\(\d{3}\)\s*\d{3}[-.\s]\d{4}|\b\d{3}[-.\s]\d{4})\b

查看正则表达式演示

请注意，在第一个和第三个选项之前添加了\( \b单词边界，第二个以匹配 a (并且不需要单词边界检查的模式开头。最后也有一个单词边界。此外， [-.\s]第一个选项中的分隔符是可选的，一个?量词使它匹配 1 次或 0 次。

在 Pandas 中，只需使用

rx = r'(\b\d{3}[-.\s]?\d{3}[-.\s]?\d{4}|\(\d{3}\)\s*\d{3}[-.\s]\d{4}|\b\d{3}[-.\s]\d{4})\b'
df['phone'] = df['text'].str.findall(rx).apply(', '.join)