我能优化这个电话号码正则表达式吗？

Question

好的，我有这个正则表达式：

( |^|>)(((((((\+|00)(31|32)( )?(\(0\))?)|0)([0-9]{2})(-)?( )?)?)([0-9]{7}))|((((((\+|00)(31|32)( )?(\(0\))?)|0)([0-9]{3})(-)?( )?)?)([0-9]{6}))|((((((\+|00)(31|32)( )?(\(0\))?)|0)([0-9]{1})(-)?( )?)?)([0-9]{8})))( |$|<)

它可以格式化荷兰和比利时的电话号码（我只需要这些，因此国家代码为31和32）。

虽然不太容易理解，但正如您所看到的，它也有很多重复。但现在它处理得非常准确。

所有以下欧洲格式的电话号码都被接受。

0031201234567
0031223234567
0031612345678
[phone]
[phone]
[phone]
020-1234567
0223-234567
06-12345678
0201234567
0223234567
0612345678

而以下格式不正确的都不是

06-1234567 (mobile phone number in the Netherlands should have 8 numbers after 06 )
0223-1234567 (area code with home phone)

与此相反，这是好的。

020-1234567 (area code with 3 numbers has 7 numbers for the phone as opposed to a 4 number area code which can only have 6 numbers for phone number)

正如您所看到的，'-'字符使它有点困难，但我需要它在其中，因为它是人们通常使用的格式的一部分，并且我想能够解析它们所有。现在我的问题是...您是否看到简化此正则表达式的方法（或者如果您发现错误，甚至改进它），同时保持相同的规则？您可以在regextester.com上测试它。（'( |^|>)'用于检查它是否位于单词开头，并可能在前面加上换行符或'>'。我在HTML页面中搜索电话号码。）

- blackbird

---

我的第一个问题是：你真的需要所有这些捕获吗？你不能只获取重要部分并重新格式化吗？哪些是相关部分？ - Axeman

我在一堆文本中搜索电话号码，但不知道号码在哪里以及以何种常规方式格式化。找到后，基本上就不再需要它了。 - youri

Answer 1

第一点观察：阅读正则表达式是一场噩梦。它呼唤Perl的 /x 模式。

第二点观察：在表达式中有大量的捕获括号（如果我数对了的话就有42个，而42当然是“生命、宇宙和万物的答案”——如果需要解释，请参考道格拉斯·亚当斯的《银河系漫游指南》）。

Bill the Lizard 注意到你多次使用 '(-)?( )?'。与 '-? ?' 或可能的 '[- ]?' 相比，这没有明显的优势，除非你真的想要分别捕获实际的标点符号 （但是由于有如此多的捕获括号，很难弄清楚哪些 '$n' 项将被使用)。

因此，让我们尝试编辑您一行代码的副本：

( |^|>)
(
    ((((((\+|00)(31|32)( )?(\(0\))?)|0)([0-9]{2})(-)?( )?)?)([0-9]{7})) |
    ((((((\+|00)(31|32)( )?(\(0\))?)|0)([0-9]{3})(-)?( )?)?)([0-9]{6})) |
    ((((((\+|00)(31|32)( )?(\(0\))?)|0)([0-9]{1})(-)?( )?)?)([0-9]{8}))
)
( |$|<)

好的 - 现在我们可以看到您的正则表达式的常规结构。

从这里可以进行更多的分析。是的，可以对正则表达式进行大量改进。首先，明显的改进是提取国际前缀部分，并应用一次（可选地，或要求前导零），然后应用国家规则。

( |^|>)
(
    (((\+|00)(31|32)( )?(\(0\))?)|0)
    (((([0-9]{2})(-)?( )?)?)([0-9]{7})) |
    (((([0-9]{3})(-)?( )?)?)([0-9]{6})) |
    (((([0-9]{1})(-)?( )?)?)([0-9]{8}))
)
( |$|<)

然后我们可以像之前注意到的那样简化标点，并删除一些可能是多余的括号，以及改进国家代码识别器：

( |^|>)
(
    (((\+|00)3[12] ?(\(0\))?)|0)
    (((([0-9]{2})-? ?)?)[0-9]{7}) |
    (((([0-9]{3})-? ?)?)[0-9]{6}) |
    (((([0-9]{1})-? ?)?)[0-9]{8})
)
( |$|<)

我们可以观察到，该正则表达式并没有强制要求移动电话代码的规则（例如，并没有坚持要求'06'后面跟着8个数字）。它似乎也允许1、2或3位数字的“交换”代码可选，即使有国际前缀——这可能不是您想要的，修复它会去掉一些括号。在此之后，我们可以进一步删除括号，得到：

( |^|>)
(
    (((\+|00)3[12] ?(\(0\))?)|0)    # International prefix or leading zero
    ([0-9]{2}-? ?[0-9]{7}) |        # xx-xxxxxxx
    ([0-9]{3}-? ?[0-9]{6}) |        # xxx-xxxxxx
    ([0-9]{1}-? ?[0-9]{8})          # x-xxxxxxxx
)
( |$|<)

然后你可以从这里开始进一步优化，我希望如此。

- Jonathan Leffler

---

谢谢，我已经将它分解开来，以便查看是否可以实现这一点，但我一定做错了什么...感谢您的帮助。 - youri

虽然很老的帖子，但我刚看到关于42的那部分...真不错 :P 谢谢伙计 :P - youri

你如何使用PHP和preg_replace使其工作？ - Sanne

Answer 2

天哪，这太混乱了！ :) 如果你有高级语义或业务规则（比如你所描述的欧洲数字、荷兰数字等），最好将单个正则表达式测试分成几个独立的正则表达式测试，每个测试都针对你的高级规则。

if number =~ /...../  # Dutch mobiles
  # ...
elsif number =~ /..../  # Belgian landlines
  # ...
# etc.
end

这样做可以使阅读、维护和更改变得更加容易。

- Pistos

---

按照最有可能匹配的顺序（假设您足够了解人口统计信息），对测试进行排序。 - tvanfosson

Answer 3

(31|32) 看起来不太好。当匹配 32 时，正则表达式引擎将首先尝试匹配 31（2个字符），失败，并回溯两个字符以匹配 31。更有效的方法是首先匹配 3（一个字符），尝试 1（失败），回溯一个字符并匹配 2。

当然，您的正则表达式无法匹配 0800- 开头的号码；它们不是10位数字。

- MSalters

---

我不需要0800号码，但你评论中的其他部分很有用，谢谢。 - youri

Answer 4

将其拆分为多个表达式。例如（伪代码）...

phone_no_patterns = [
    /[0-9]{13}/, # 0031201234567
    /+(31|32)\(0\)\d{2}-\d{7}/ # [phone]
    # ..etc..
]
def check_number(num):
    for pattern in phone_no_patterns:
        if num matches pattern:
            return match.groups

然后您只需循环每个模式，检查每个模式是否匹配。

将模式拆分使得修复特定数字引起的问题变得容易（如果使用单个庞大的正则表达式，这将是可怕的）。

- dbr

Answer 5

这不是一种优化，而是你在使用

(-)?( )?

在你的正则表达式中使用三次这个符号。这将使你匹配到像下面这样的电话号码

[phone]
[phone]

但也将匹配包含破折号和空格的数字，例如

[phone]

您可以替换 <\p>

(-)?( )?

使用

(-| )?

匹配破折号或空格。

- Bill the Lizard

---

那很好。你的解决方案省了一个字符。我在避免多余打字。 :) - Bill the Lizard