Python 電話號碼的正則表達式表現異常

Question

我開發了一個 Python 正則表達式，大約 90% 的時間從文本中提取電話號碼。 但是，有時會出現奇怪的異常情況。 我的代碼如下：

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)

此代碼提取電話號碼並附加一個名為“電話”的新列。 如果有多個數字，它們用逗號分隔。

但是，以下文本會生成一個奇怪的 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.

我當前的代碼給我的 output 是：

890 1234

而不是所需的實際數量：

1234567890

這發生在幾個例子上。 我試過編輯正則表達式，但這只會讓情況變得更糟。 任何幫助，將不勝感激。 另外，我認為這個問題很有用，因為 Stackoverflow 上提供的很多電話正則表達式對我不起作用。

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

查看正則表達式演示

請注意，在第一個和第三個選項之前添加了\( \b單詞邊界，第二個以匹配 a (並且不需要單詞邊界檢查的模式開頭。最后也有一個單詞邊界。此外， [-.\s]第一個選項中的分隔符是可選的，一個?量詞使它匹配 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)