提取电话号码正则表达式

Question

如何从文本文件中提取电话号码？

x <- c(" Mr. Bean bought 2 tickets 2-613-213-4567 or 5555555555 call either one",
  "43 Butter Rd, Brossard QC K0A 3P0 – 613 213 4567", 
  "Please contact Mr. Bean (613)2134567",
  "1.575.555.5555 is his #1 number",  
  "7164347566"
)

这是一个已针对其他语言回答的问题（请参阅 phpabd general regex），但似乎没有在 SO for R 上得到解决。

我已经搜索并找到了似乎可能的正则表达式来查找电话号码（除了上述其他语言的正则表达式）：http://regexlib.com/Search.aspx?k=phone 但无法在 R 中使用 gsub 来提取所有示例中的这些数字。

理想情况下，我们会得到类似的东西：

[[1]]
[1] "2-613-213-4567" "5555555555"    

[[2]]
[1] "613 213 4567"

[[3]]
[1] "(613)2134567"

[[4]]
[1] "1.575.555.5555"

[[5]]
[1] "7164347566"

Answer 1

qdapRegex 现在有专门为此任务设计的rm_phone：

x <- c(" Mr. Bean bought 2 tickets 2-613-213-4567 or 5555555555 call either one",
  "43 Butter Rd, Brossard QC K0A 3P0 – 613 213 4567", 
  "Please contact Mr. Bean (613)2134567",
  "1.575.555.5555 is his #1 number",  
  "7164347566"
)

library(qdapRegex)
ex_phone(x)

## [[1]]
## [1] "613-213-4567" "5555555555"  
## 
## [[2]]
## [1] "613 213 4567"
## 
## [[3]]
## [1] "(613)2134567"
## 
## [[4]]
## [1] "1.575.555.5555"
## 
## [[5]]
## [1] "7164347566"

Answer 2

您需要一个复杂的正则表达式来涵盖匹配电话号码的所有规则，但要涵盖您的示例。

> library(stringi)
> unlist(stri_extract_all_regex(x, '(\\d[.-])?\\(?\\d{3}\\)?[-. ]?\\d{3}[-. ]?\\d{4}\\b'))
# [1] "2-613-213-4567" "5555555555"     "613 213 4567"   "(613)2134567"  
# [5] "1.575.555.5555" "7164347566" 

Answer 3

这是我能做到的最好的了——你有很多格式，包括一些带有空格的格式，所以正则表达式非常通用。它只是说“查找至少由数字、句点、括号、连字符或空格组成的至少 5 个字符的字符串”：

library(stringr)
str_extract_all(x, "(^| )[0-9.() -]{5,}( |$)")

输出：

[[1]]
[1] " 2-613-213-4567 " " 5555555555 "    

[[2]]
[1] " 613 213 4567"

[[3]]
[1] " (613)2134567"

[[4]]
[1] "1.575.555.5555 "

[[5]]
[1] "7164347566"

前导/尾随空格可能会通过一些额外的复杂性来修复，或者您可以在后期修复它。

更新： 搜索了一下this answer，我稍作修改以允许使用句号。在要求有效（美国？）电话号码方面有点严格，但似乎涵盖了您的所有示例：

str_extract_all(x, "\\(?\\d{3}\\)?[.-]? *\\d{3}[.-]? *[.-]?\\d{4}")

输出：

[[1]]
[1] "613-213-4567" "5555555555"  

[[2]]
[1] "613 213 4567"

[[3]]
[1] "(613)2134567"

[[4]]
[1] "575.555.5555"

[[5]]
[1] "7164347566"

一旦你取出两端的^ 和$，发现here 的怪物也有效。仅在您真的需要时使用：

huge_regex = "(?:(?:\\+?1\\s*(?:[.-]\\s*)?)?(?:\\(\\s*([2-9]1[02-9]|[2-9][02-8]1|[2-9][02-8][02-9])\\s*\\)|([2-9]1[02-9]|[2-9][02-8]1|[2-9][02-8][02-9]))\\s*(?:[.-]\\s*)?)?([2-9]1[02-9]|[2-9][02-9]1|[2-9][02-9]{2})\\s*(?:[.-]\\s*)?([0-9]{4})(?:\\s*(?:#|x\\.?|ext\\.?|extension)\\s*(\\d+))?"