Регулярное выражение для забора номера телефона

ZennoScript · 18.12.2017

Такой метод работает только для конкретного сайта, где номер телефона находится где то в одном месте и можно получить блок, содержащий номер. Т.е., когда Вам не нужно обрабатывать всю страницу сайта.
На самом деле, правильно выбрать номера телефона - это очень сложная задача и в плане написания решения и в плане дальнейшего его выполнения компьютером и одной регулярки тут будет недостаточно.
Я делал сбор номеров. Но начиналось это всё с того, что шаблону нужно дать нужные коды, которые надо искать, исходя из этого, проходя множество проверок и фильтров отбирались номера. Но даже при этом не со всех сайтов номера получались корректными, хотя процент был большой.

nuzypeqi · 28.12.2018

RuslanAliev сказал(а):
Например, существует регулярка для даты - (\d{1,2}\/\d{1,2}\/\d{4}) - Дата (напр.,21/3/2006).
С небольшими изменениями можно использовать везде. Возможно ли сделать или может у кого-то имеется готовое решение для забора номера телефона?

Помогите подобрать регулярку чтоб парсить номера, так чуть подобрал, а как дальше ? Не получается (\+|)(38|)(\ |)\((067|068|096|097|098|050|066|095|099|063|073|093).*?(?=(<|,|"|&|й|ц|у|к|е|н|г|ш|щ|щ|з|х|ф|ы|в|а|п|р|о|л|д|ж|э|я|ч|с|м|и|т|б|ю|Й|Ц|У|К|Е|НГ|Ш|Щ|З|Х|Ф|Ы|В|А|П|Р|О|Л|Д|Ж|Э|Я|Ч|С|М|И|Т|Ь|Б|Ю))

так подобные номера дергает

Код:

<span>+38 (093) 367-49-07</span></span>
>+38(093) 367-49-07<
>(093) 367-49-07<

а как сделать чтоб дергало рукой словно, качественно грабило с большого обьема при парсинге методом зайца с большого объема страниц ? Нужно красть много номеров телефонов с разных сайтов, хочется сделать совместно качественное производство по сбору телефоном, отточенными регуярными выражениями. Чтоб куча кубиков было отменной рабочей фабрикой по добыче цифр контактов. В ручную хорошо, но нужно быстро, качественно машинно для больших объемных обработок

nuzypeqi · 28.12.2018

( |)[0-9][0-9][0-9](-| |)[0-9][0-9](-| |)[0-9][0-9] - так не выходит чего-то

nuzypeqi · 28.12.2018

Вот кое-что вышло, дергал, дергал, на дергал нужных выражений, вот кому может пригадиться тоже по дергать номеров (\+|)(38|)(\ |)\((067|068|096|097|098|050|066|095|099|063|073|093)\)(\-|\ |)(\d{3}(\-|\ |)\d\d(\-|\ |)\d\d)(?=(<|,|"|&|й|ц|у|к|е|н|г|ш|щ|щ|з|х|ф|ы|в|а|п|р|о|л|д|ж|э|я|ч|с|м|и|т|б|ю|Й|Ц|У|К|Е|НГ|Ш|Щ|З|Х|Ф|Ы|В|А|П|Р|О|Л|Д|Ж|Э|Я|Ч|С|М|И|Т|Ь|Б|Ю)), там в процессе соксы тунилированные носки регулярно дергать любые будут замечательно данных объемов кучи, регулярка хороша, там дальше главное подключение и массовый метод зайца, ништяк будет

nuzypeqi · 28.12.2018

Вот еще чуть под исправил, еще лучше вышло 38 - стандарт цифр пеерд оператором, из трех цифр с нуля начинающеся - сотовые операторы Украины, а там по сути можно только операторов менять и под многие телефоны подойдет
(\+|)(38|)(\ |)(\(|)(067|068|096|097|098|050|066|095|099|063|073|093)(|\))(\-|\ |)(\d{3}(\-|\ |)\d\d(\-|\ |)\d\d)(\ |\ \ |\ \ \ |)(?=(<|,|"|&|й|ц|у|к|е|н|г|ш|щ|щ|з|х|ф|ы|в|а|п|р|о|л|д|ж|э|я|ч|с|м|и|т|б|ю|Й|Ц|У|К|Е|НГ|Ш|Щ|З|Х|Ф|Ы|В|А|П|Р|О|Л|Д|Ж|Э|Я|Ч|С|М|И|Т|Ь|Б|Ю))

ssXXXss · 28.12.2018

епать моё удалили а регулярка которая предоставлена куй пойми как в посте, так удалите её тоже на хрен, или ты чувак оформи чтобы людям приятно было понять а самое главное понять

ssXXXss · 28.12.2018

тупая регулярка, 21 век, сейчас намного проще, а вот теперь в гугл иди, но такой колбасой пользоваться но это ужас )
я тоже такое предлагал так это было и не правда )

Master4eg · 05.03.2019

ssXXXss сказал(а):
епать моё удалили а регулярка которая предоставлена куй пойми как в посте, так удалите её тоже на хрен, или ты чувак оформи чтобы людям приятно было понять а самое главное понять

Можешь скинуть?

ssXXXss · 05.03.2019

Master4eg сказал(а):
Можешь скинуть?

ни хрена ты вспомнил )) я уже и забыл что там было

Mikhail B. · 05.03.2019

ssXXXss сказал(а):
ни хрена ты вспомнил )) я уже и забыл что там было

регулярки там не было)

ssXXXss · 05.03.2019

Mikhail B. сказал(а):
регулярки там не было)

там были наверно слова красивые ))

Mikhail B. · 05.03.2019

Есть у меня пару регулярок для телефонов. Писал их для сайта. Где номера как попало пишут с тире, пробелами, скобками. В общем треш оттуда парсить.

Сначала простой регуляркой пробуем собрать

Код:

(\+7|\+37)\d{9,11}

Потом вот такой, для треша)) (не финальная версия, можно доработать)

Код:

(\+7|8|\+37|\+38)(\ |-|)(\(|)\d{3,4}(\)|)(\ |-|)\d{2,3}(\ |-)(\d{2,3}(\ |-)\d{1,3}|\d{4})

specialist · 06.03.2019

Телефоны пишут по разному, могут и не на одной строке, и обернуть в html теги.
Самый универсальный способ через регулярки - это собирать все числа на странице идущие подряд в диапазоне от до \d{9,11}
После их перепроверить, откидывая лишнее, удобнее всего это делать через порт библиотеки гугла для обработки телефонов - libphonenumber на C#, внутри там тоже регулярные выражения, но уже проработаны для каждой страны отдельно.

Готовый шаблон, для вытаскивания телефонов на основе этой библиотеки

Mikhail B. · 06.03.2019

specialist сказал(а):
Самый универсальный способ через регулярки - это собирать все числа на странице идущие подряд в диапазоне от до \d{9,11}

В каком месте он универсальный. Назовем это самый простой и не эффективный. Номера могут быть написанны как угодно. Конечно все зависит от сайта. Лучший вариант собрать 20-30 номеров вручную и посмотреть какая регулярка соберет больше номеров.

specialist · 06.03.2019

Mikhail B. сказал(а):
В каком месте он универсальный.

Почему не эффективный, очень даже, эффективный сбор данных. Тестировался на ~ 100 тыс сайтов.
Номера могут быть для России указаны как +7 8 9 47 (код города), когда проходишь по тематике, полнота важна.
Это на примерах нескольких сайтах все работает отлично, на живых сайтах "поле чудес".

Проект делал на питоне, на тот момент, в том порте библиотеки не была озвучена возможность парсить сразу ей, на C# уже было возможно.

Алгоритм:

Собираем все последовательности из чисел от и до.
Прогоняем каждый из номеров методами possible и validate, через libphonenumber
Валидные, добавляем в базу.

Преимущества:

Качество
Обновляют за нас (пока обновляют)

Недостатки:

Скорость ниже, одно регулярное выражения отрабатывает быстро, тут циклы для каждого номера, но номеров не много обычно собирается.
5 и 6 знаки, не собирает, регулярку можно подогнать, тут нужно думать.

Mikhail B. · 06.03.2019

Многие пишут номера через дефис, с пробелами и даже скобаками. По этому ваша регулярка не может быть универсальной уже изначально. Может она парсит много, но сколько номеров проходит мимо можно только гадать.

specialist · 06.03.2019

Mikhail B. сказал(а):
Многие пишут номера через дефис, с пробелами и даже скобаками

Похоже я изначально не совсем правильно написал, извиняюсь. Имелось ввиду что ищется последовательность цифр без этих символов.

Рабочие регулярки примерно такие, это из черновиков под рф, во время разработки, питон:

Код:

phone_pat = r'([0-9-\+\(\ )]{6,10})' # много мусора, в html расстояние может быть больше
phone_pat = r'([78\+\(](?:[-()]*[0-9 ]){6,10})' # много мусора, находит все
phone_pat = r'([78\+\(](?:[-()]*[0-9 ]){5,15})'

Итоговая отличалась от этих, но доступа к проекту сейчас нет, где-то на сервере остался. Т.к. потом на библиотеку перешел.

Mikhail B. · 06.03.2019

В том то и дело, чем более универсальная регулярка, тем больше мусора. А мусор парсить очень не хочется, и пытаешься найти золотую середину.

Есть сайты где телефон всегда в одном месте, между тегами telehpone или что-то подобное, тут конечно все идеально. А вот сайты где номера раскиданы по всему коду. Тут начинается импровизация))

specialist · 06.03.2019

Mikhail B. сказал(а):
А мусор парсить очень не хочется, и пытаешься найти золотую середину.

Кроме мусора, там много еще интересного, например, телефоны разработчиков скриптов или inline css и комментарии, их тоже лучше вырезать, но это уже особенности обработки.

Если номера не перепроверять, то +7 (000) 000-00-00 тоже попадет, но его не может быть, согласно правилам, перепроверять обязательно, если для работы.
Сайтов в вечной разработке, тоже достаточно.

Mikhail B. · 06.03.2019

specialist сказал(а):
Кроме мусора, там много еще интересного, например, телефоны разработчиков скриптов или inline css и комментарии, их тоже лучше вырезать, но это уже особенности обработки.

Если номера не перепроверять, то +7 (000) 000-00-00 тоже попадет, но его не может быть, согласно правилам, перепроверять обязательно, если для работы.
Сайтов в вечной разработке, тоже достаточно.

В данный момент я оптимизирую один парсер, и проверяю номера вручную которые регулярка не взяла, вот такой треш попался))

n8(912)726\u20139412

В данном случае я принял решение сделать замену \u2013 на дефис. Чем городить треш в регулярке)

specialist · 06.03.2019

Mikhail B. сказал(а):
сделать замену \u2013 на дефис. Чем городить треш в регулярке)

Не могли бы в личку или под хайдом сайт написать? Стало интересно, смогу получить данные или нет, теми вариантами, что у меня.

doc · 06.03.2019

Mikhail B. сказал(а):
В данный момент я оптимизирую один парсер, и проверяю номера вручную которые регулярка не взяла, вот такой треш попался))

n8(912)726\u20139412

В данном случае я принял решение сделать замену \u2013 на дефис. Чем городить треш в регулярке)

Mikhail B. · 06.03.2019

doc сказал(а):

Ну это длинный девис (не понимаю зачем его используют, может защита от парсеров такая), так или иначе лучше сделать замену, чем в регулярку пихать лишние символы.

Ikigai · 04.11.2019

C#:

RU nums
((^\+|^)(7|8)\d{10}\:)|(^9\d{9}\:)
---- Intext RU NUMS
        ((\+|)(7|8)\d{10})|(9\d{9})
--- BY numbers
(\+)?(375)?(\s|\(|\-)?((2|3|4)(3|4|5|9))(\s|\)|\-)?\d{3,7}((\s|\-)?\d{2,4}(\s|\-)?\d{2})(;|:|\s+|\|)\w+

Так нашлось в итоге иделаьное решение для регулярки ? А если разные страны?
В телеге видел эти, но опять же, нет для украины

Mikhail B. · 04.11.2019

Ikigai сказал(а):
C#:

RU nums ((^\+|^)(7|8)\d{10}\:)|(^9\d{9}\:) ---- Intext RU NUMS ((\+|)(7|8)\d{10})|(9\d{9}) --- BY numbers (\+)?(375)?(\s|\(|\-)?((2|3|4)(3|4|5|9))(\s|\)|\-)?\d{3,7}((\s|\-)?\d{2,4}(\s|\-)?\d{2})(;|:|\s+|\|)\w+

Так нашлось в итоге иделаьное решение для регулярки ? А если разные страны?
В телеге видел эти, но опять же, нет для украины

Посмотри тут, вобще огонь тема. По поводу разных стран не уверен, но там гео менять можно. Может можно как то на все гео чекать, это лучше спросить у автора.

https://zennolab.com/discussion/threads/parser-nomerov-telefonov-s-sajtov-opredelenie-mobilnyx.56382/

Ikigai · 04.11.2019

Mikhail B. сказал(а):
Есть у меня пару регулярок для телефонов. Писал их для сайта. Где номера как попало пишут с тире, пробелами, скобками. В общем треш оттуда парсить.

Сначала простой регуляркой пробуем собрать

Код:

(\+7|\+37)\d{9,11}

Потом вот такой, для треша)) (не финальная версия, можно доработать)

Код:

(\+7|8|\+37|\+38)(\ |-|)(\(|)\d{3,4}(\)|)(\ |-|)\d{2,3}(\ |-)(\d{2,3}(\ |-)\d{1,3}|\d{4})

Крутая регулярка верхняя. Немного добавил .

Код:

(8|\+7|\+37|\+380)\d{9,11}

0

Mikhail B. · 05.11.2019

Ikigai сказал(а):
Крутая регулярка верхняя. Немного добавил .

Да это самая простая))

Регулярное выражение для забора номера телефона

Client

Client

Client

Вложения

Moderator

Новичок

Новичок

Новичок

Новичок

Client

Client

Client

Client

Client

Client

Client

Client

Client

Client

Client

Client

Client

Client

Client

Client

Client

Client

Client

Client

Client

Client

Кто просматривает тему: (Всего: 3, Пользователи: 0, Гости: 3)