用正则表达式和pyperclip实现号码邮箱的提取

详细教程见《Automate the boring stuff with Python》。

本文是正则表达式的一个简答应用，配合pyperclip最终实现：当有文本复制到剪贴板后，运行程序，便可打印出其中包含的电话号码和邮箱。

正则表达式的基本语法

1.步骤

想要识别出一段文本中的号码，当然可以写个函数。号码一般是有规律的，比如415-555-4242（美国），第一部分是地区号，后面接3个数字，再接4个数字。如果定义一个函数，先检查这串字符长度是不是12，然后用一系列 if 和 for 循环检查1、2、3位是不是数字，4位是不是连字符，5，6，7位是不是数字......也行，但是函数冗长，显得很笨拙。

既然号码是有规律的，那么只要能和计算机约定这种规律，让它也按照我们认识到的规律去查找不就行了？因此，正则表达式，可以理解为“约定某种规则”的表达式。它的英文名也确实如此，“Regular Expression”。

假定用“\d”代表一个从0-9的数字（digit），那么上面的号码就可以表示为“\d\d\d-\d\d\d-\d\d\d\d“

在Python中需要先引入 re 模块，然后使用其中的 compile 方法约定这种规则。

import re
phoneNumRegex = re.compile(r'\d\d\d-\d\d\d-\d\d\d\d')

（Regex是正则表达式的缩写，r' '代表raw string原始字符串，可以无视字符串中的转义符）

对正则表达式使用search方法，会自动寻找输入文本中匹配的对象，创造出一个match对象。这里把它赋给“mo”。

mo = phoneNumRegex.search('My number is 415-555-4242.')

注意mo不是一个变量，而是个match对象，直接打印是不能看到结果的，通过group方法才可以看到结果。

>>>print('Phone number found: ' + mo.group())
Phone number found: 415-555-4242

综上，创建一个regex匹配有四步：

①引入re模块。

②用re模块里的compile函数，创建一个regex对象。

③把文本传递给regex对象的search方法，返回一个match对象。

④通过match对象的group方法访问结果。

2.括号分组

号码是由几部分组成的，在正则表达式中也能通过“（）”约定好分组，然后在group（）方法中输入对应的编号，访问对应的结果。

>>>phoneNumRegex = re.compile(r'(\d\d\d)-(\d\d\d-\d\d\d\d)')
>>>mo = phoneNumRegex.search('My number is 415-555-4242.')
>>>mo.group(1)
'415'
>>>mo.group(2)
'555-4242'
>>>mo.group(0)
'415-555-4242'
>>>mo.group()
'415-555-4242'

想看到完整的分组结果，可以用groups方法。

>>>mo.groups()
('415','555-4242')
>>>areaCode,mainNumber = mo.groups()
>>>print(areaCode)
415
>>>print(mainNumber)
555-4242

groups方法返回一个元组（tuple），所以可以把其中的两个值分别赋给两个变量areaCode和mainNumber。

3.其它约定

号码的地区号是可有可无的，有的部分可能还更长一点，邮箱是由数字和字母组成的，又该如何在raw string中约定好这种规则呢？

以下是其它约定。

• ? 放在一组括号的后面，表示这一部分可有可无。
• * 表示这一部分可以有任意个。
• + 表示这一部分有一个或多个。
• {n} 表示这一部分出现了n次。
• {n,m} 表示这一部分出现了n到m次。
• 上面几种方式默认查找符合条件的最长的一串字符，如果要最短的，再加上一个 ?
• ^xx 表示字符串必须以xx开头
• xx$ 表示字符串必须以xx结尾
• . 表示任意一个字符，除了空行字符。（.at 可以匹配cat，hat，rat，匹配flat的话结果是lat）
• \d 代表数字，\s 代表空格，\w 代表字母。（如果大写\D\S\W，就代表除了数字、空格、字母的任意字符）
• [abc] 代表方括号中出现的任意字符。（如果写成[a-zA-z]就表示a到z、A到Z的任意字母，所以[0-9]也可以表示数字）
• [^abc] 代表任何不是abc的字符。
• 如果要表示括号，句号本身，加个反斜杠。如：\(xx\)表示（xx）
• 竖号又称pipe，“|”，表示“或”，a|b 表示找到两者之一即可。

4.组织复杂的正则表达式

约定的规则一般是很长的，可以用以下方式实现分行加注释。后面的re.VERBOSE开启verbose模式，会自动忽视raw string中的空格和注释。

phoneRegex = re.compile(r'''(
    (\d{3}|\(\d{3}\))?                  #地区号
    (\s|-\.)?                           #连字符
    (\d{3})                             #三个数字
    (\s|-\.)                            #连字符
    (\d{4})                             #四个数字
    (\s*(ext|x|ext.)\s*(\d{2,5}))?      #拓展号码
    )''',re.VERBOSE)

开始吧

宏观上思考，提取号码和邮箱分为以下三个步骤：

1. 从剪贴板上获取文本
2. 找到文本中所有的号码和邮箱
3. 把它们粘贴到剪贴板上

那么具体代码的实现，应该包含这些：

1. 使用pyperclip模块完成字符串的拷贝和粘贴。
2. 创建两个正则表达式，一个用于匹配号码，一个用于匹配邮箱。
3. 找出两个正则表达式的所有匹配结果。
4. 把所有结果工整排版，放进一个字符串里，方便粘贴。
5. 如果没有找到匹配的话，展示某些信息。

代码如下：（注意：①安装pyperclip模块②“-”.join方法用于以“-”连字符把几串字符连接起来。）

#! python3
# phoneAndEmail.py - Finds phone numbers and email addresses on the clipboard.

import pyperclip,re

#创建两个正则表达式
phoneRegex = re.compile(r'''(
    (\d{3}|\(\d{3}\))?                  #地区号
    (\s|-\.)?                           #连字符
    (\d{3})                             #三个数字
    (\s|-\.)                            #连字符
    (\d{4})                             #四个数字
    (\s*(ext|x|ext.)\s*(\d{2,5}))?      #拓展号码
    )''',re.VERBOSE)

emailRegex = re.compile(r'''(
    [a-zA-Z0-9.%+-]+                    #用户名
    @                                   #@符号
    [a-zA-z0-9.-]+                      #域名
    (\.[a-zA-z]{2,4})                   #.com等等
    )''',re.VERBOSE)


#找出文本中的匹配
text = str(pyperclip.paste())
matches = []
for groups in phoneRegex.findall(text):
    phoneNum = '-'.join([groups[1],groups[3],groups[5]])
    if groups[8] != '':
        phoneNum += 'x' + groups[8]
    matches.append(phoneNum)

for groups in emailRegex.findall(text):
    matches.append(groups[0])


#把结果拷贝到剪贴板上
if len(matches) > 0:
    pyperclip.copy('\n'.join(matches))
    print('Copied to clipboard:')
    print('\n'.join(matches))
else:
    print('No phone numbers or email addresses found.')