Python手机号邮箱提取器修改适配印度手机号后出现重复输出问题
重复输出的核心原因
Python re.findall 方法的返回值规则为:当正则表达式存在多层捕获组时,返回结果不会直接给出完整匹配字符串,而是返回按顺序排列的捕获组内容元组。
当前编写的 phoneRegex 存在两层捕获结构:
- 最外层的整个匹配块本身是一个一级捕获组,对应元组第一个元素,内容就是完整匹配到的手机号
- 块内部的
+号、空格、91前缀、数字分隔位全部是独立的二级捕获组,这些二级组的内容拼接后,和一级捕获组的完整内容完全一致
代码中使用''.join(groups)将所有分组内容直接拼接,相当于把同一个手机号依次拼接了两次,最终导致每个手机号重复打印一遍。
举个实际匹配的示例:当文本中出现+91 98765 43210,正则返回的元组为:('+91 98765 43210', '+', '', '91', ' ', '98765', ' ', '43210')
直接对元组做join操作,就会生成两份完全一致的手机号字符串拼接结果。
附带的匹配逻辑缺陷
原正则对印度手机号的前缀规则未做约束:任意两段相邻的5位数字,无论是否带有印度国家码91,都会被识别为手机号,容易出现误匹配。
第一步:调整正则捕获组结构
将所有不需要单独提取的可选匹配段全部修改为非捕获组(语法为(?:...)),仅保留顶层捕获组存放完整匹配内容。这种写法下,re.findall会直接返回完整的匹配字符串,不会因分组嵌套产生内容重复。
优化后的印度手机号匹配正则:
phoneRegex = re.compile(r'''( (?:\+)? # 可选+号,非捕获组 (?:\s?) # +号后可选空格,非捕获组 (?:91)? # 可选印度国家码91,非捕获组 (?:\s?) # 国家码后可选空格,非捕获组 \d{5} # 手机号前5位 (?:[\s-]?) # 两段数字间的可选空格/短横线分隔,非捕获组 \d{5} # 手机号后5位 )''', re.VERBOSE)
调整后正则仅存在一个顶层捕获组,findall返回的元组中只有1个元素,就是完整的匹配结果。
可选精度优化:印度手机号号段统一以6、7、8、9开头,可将前5位数字的匹配规则修改为
[6-9]\d{4},避免把文本中相邻的无关普通数字串误识别为手机号。
第二步:简化匹配循环逻辑
原代码中拼接全部分组的逻辑可以简化,直接取匹配结果的第一个元素即可:
for groups in phoneRegex.findall(text): matches.append(groups[0])
这一修改从根源上避免了重复拼接分组内容的问题。
#! python3 # PhoneandEmail.py - Finds all the phone numbers and emails in the clipboard import pyperclip, re phoneRegex = re.compile(r'''( (?:\+)? (?:\s?) (?:91)? (?:\s?) [6-9]\d{4} (?:[\s-]?) \d{5} )''', re.VERBOSE) emailRegex = re.compile(r'''( [a-zA-Z0-9_%+-]+ # username @ # @ symbol [a-zA-Z0-9.-]+ # domain name (\.[a-zA-Z]{2,4})# dot-something )''', re.VERBOSE) text = str(pyperclip.paste()) matches = [] for groups in phoneRegex.findall(text): matches.append(groups[0]) for groups in emailRegex.findall(text): matches.append(groups[0]) if len(matches) > 0 : pyperclip.copy('\n'.join(matches)) print('copied to clipboard') print('\n'.join(matches)) else: print('nothing found')
内容的提问来源于stack exchange,提问作者Kai

