解析OpenStreetMaps XML时正则格式化手机号异常排查

这种“单独测试正常，集成到流程就出问题”的bug真的太磨人了！我之前处理批量文本清洗时也踩过类似的坑，给你梳理几个最可能的原因和排查方向：

1. 函数状态残留/变量污染 #

如果你的清理函数依赖了全局变量、闭包变量，或者复用了带状态的正则对象，批量处理OSM XML时，前面的处理可能会修改这些状态，导致后续手机号处理出错。比如：

• 你在函数外部定义了正则表达式对象，且该对象带有计数、匹配位置等状态
• 替换逻辑里用到了全局的临时变量，每次调用没有重置

排查方法：
在清理函数内部打印关键变量的状态，或者把所有状态相关的逻辑移到函数内部（比如每次调用都重新编译正则）。

修复示例：
把正则编译放到函数内部，确保每次调用都是全新的匹配状态：

import re

def clean_phone(phone):
    # 每次调用都重新初始化正则，避免状态残留
    # 先提取所有数字
    digits = re.findall(r'\d', phone)
    if len(digits) == 11 and digits[0] == '1':
        return f"+1 {' '.join([''.join(digits[1:4]), ''.join(digits[4:7]), ''.join(digits[7:11])])}"
    # 其他长度的号码处理逻辑...
    return phone

2. 原始文本存在隐藏字符 #

OSM XML中的手机号可能包含看不见的控制字符（比如零宽空格、制表符、非打印ASCII字符），你单独测试时输入的是干净字符串，但批量处理时原始数据有干扰字符，导致正则匹配异常。

排查方法：
把出错的手机号从XML中提取后，用repr()打印查看真实内容：

problem_phone = "+1 (720) 406-9696"  # 替换成从XML中提取的真实值
print(repr(problem_phone))

如果输出里有\u200b（零宽空格）、\t、\x00这类字符，就说明是隐藏字符搞的鬼。

修复方法：
在清理前先过滤所有非必要字符：

def clean_phone(phone):
    # 先过滤掉所有非数字、非允许符号的字符
    cleaned = re.sub(r'[^\d\+\(\)\-\s]', '', phone)
    # 再执行后续的格式整理逻辑...

3. 分步替换的正则逻辑顺序问题 #

如果你的清理是分多步替换（比如先去括号、再替换连字符、再拆分空格），可能某一步的正则匹配在批量场景下没有覆盖所有情况，导致后续步骤出错。比如你用re.sub(r'\(', '', phone)时，可能因为前面有隐藏字符，导致括号没被正确替换。

更可靠的替代方案：
跳过分步替换，直接提取所有数字再重新拼接格式。这种方法完全不受原始符号干扰：

def clean_phone(phone):
    digits = re.findall(r'\d', phone)
    if len(digits) == 11:
        if digits[0] == '1':
            # 北美号码格式
            return f"+1 {' '.join([''.join(digits[1:4]), ''.join(digits[4:7]), ''.join(digits[7:11])])}"
        else:
            # 其他11位号码处理
            return f"+{digits[0]} {' '.join([''.join(digits[1:4]), ''.join(digits[4:7]), ''.join(digits[7:11])])}"
    elif len(digits) == 10:
        # 补上前缀1
        return f"+1 {' '.join([''.join(digits[:3]), ''.join(digits[3:6]), ''.join(digits[6:10])])}"
    # 不符合长度的返回原始值或做其他处理
    return phone

4. Jupyter环境的缓存问题 #

有时候Jupyter会缓存旧版本的函数或变量，你在新单元格测试的是修改后的函数，但处理XML的代码调用的还是旧版本的函数。

排查方法：

• 重新运行定义清理函数的单元格
• 重启Jupyter内核后重新运行所有代码
• 可以用%autoreload魔法命令自动重载模块（需要先运行%load_ext autoreload和%autoreload 2）

内容的提问来源于stack exchange，提问作者elne2504