Python正则表达式匹配电话号码异常：原因分析与修复方案

问题回顾 #

你尝试用Python正则表达式匹配电话号码，最初的实现代码如下：

import re
r = re.compile(r'''(\+)*\d* # optional + sign for international calls
([\" "-\)]{,1}\d+)* # main chain of numbers, numbers separated by a space, ) or a hyphen
''',re.VERBOSE)
print(r.findall('+00 0000 0000 is my number and +44-787-77950 was my uk number'))

你预期得到的结果是类似 [('+00',' 0000',' 0000'),('+44','-787','-77950')] 的分组元组，或是更简洁的 ['+00 0000 0000','+44-787-77950']，但实际返回了大量包含空字符串的异常元组：

[('+', ' 0000'), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('+', '44'), ('', ''), ('', '787'), ('', ''), ('', '77950'), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', '')]

后续你调整了正则表达式：

import re
r = re.compile(r'''(\+)?(\d+) # optional + sign for international calls
([\" "-\)]{,1}\d+)+ # main chain of numbers, numbers separated by a space, ) or a hyphen
''',re.VERBOSE)
print(r.findall('+00 0000 0000 is my number and +44-787-77950 was my uk number'))

但结果依然不符合预期：

[('+', '00', ' 0000'), ('+', '4', '4'), ('', '78', '7'), ('', '7795', '0')]

异常原因分析 #

咱们一步步拆解问题根源：

1. 第一个正则的核心问题：

   • 你使用了*（零次或多次匹配）修饰捕获分组，比如(\+)*和([\" "-\)]{,1}\d+)*。注意：re.findall的规则是，如果正则包含捕获分组，会返回分组的匹配结果列表；若分组允许零次匹配，就会产生大量空字符串的捕获结果。
   • \d*会匹配零个数字，导致正则会在文本的空白、非数字字符处强制匹配，进一步增加了空结果的数量。
   • 字符集[\" "-\)]存在语法问题：单引号包裹的正则字符串里不需要转义双引号，且-放在字符集中间会被解析为范围符号，正确写法应为[ -)]（把-放在开头或结尾，避免被识别为范围）。

2. 第二个正则的核心问题：

   • 虽然把*改成了+（至少匹配一次），但([\" "-\)]{,1}\d+)+是重复的捕获分组。正则中重复的捕获分组只会保留最后一次匹配的内容，导致原本连续的数字段被错误拆分（比如44被拆成4和4）。
   • 没有对整个电话号码做整体匹配限制，导致正则会匹配文本中的零散数字片段，而非完整的号码。

修复方案 #

根据你的两种预期结果，分别给出针对性的解决方案：

方案1：获取完整的电话号码字符串（推荐） #

如果你想要['+00 0000 0000','+44-787-77950']这种简洁结果，我们需要让正则匹配整个电话号码，并使用非捕获分组避免多余的分组捕获：

import re
r = re.compile(r'''
\+?                # 可选的+号，满足国际区号可选需求
\d+                # 号码开头的数字（至少1位，避免零匹配）
(?:[ -)]\d+)+      # 非捕获分组：匹配分隔符（空格/连字符/右括号）+数字，至少重复1次
''', re.VERBOSE)
print(r.findall('+00 0000 0000 is my number and +44-787-77950 was my uk number'))

运行结果：

['+00 0000 0000', '+44-787-77950']

方案2：获取拆分后的号码段元组 #

如果你想要[('+00',' 0000',' 0000'),('+44','-787','-77950')]的分组结果，需要先捕获完整的号码段，再拆分后续部分：

import re
r = re.compile(r'''
(\+?\d+)           # 捕获带+号的开头数字段（如+00、+44）
((?:[ -)]\d+)+)    # 捕获后续所有数字段的整体内容
''', re.VERBOSE)

matches = r.findall('+00 0000 0000 is my number and +44-787-77950 was my uk number')
# 拆分后续段并组合成目标格式
result = []
for start, rest in matches:
    parts = [start] + re.findall(r'[ -)]\d+', rest)
    result.append(tuple(parts))
print(result)

运行结果：

[('+00', ' 0000', ' 0000'), ('+44', '-787', '-77950')]

内容的提问来源于stack exchange，提问作者user160738