我们在做数据清洗的时候，有时候会遇到将一堆文本中提取我们需要的内容，最常见的是，从一大段文本中提取出数字、电话号码、日期、网址等。而在Python中，正则表达式re，则可以满足我们从文本中提取数字、电话号码和日期等需要。

以下是一些示例代码：

1.1. 使用re.findall提取数字

从文本中提取数字，可以用findall来查找：

1.2. 使用re.compile提取数字

如果我们只是单纯使用 来提取数字，整数和浮点数会分开来提取，在处理数字的时候就会很不方便。

因此，我们在上面的基础上，结合正则表达式分组来查找， 编译后的正则表达式对象可以使用groupindex属性来访问分组的名称和索引。可以提高正则表达式的匹配效率。

groupindex属性：在Python中，正则表达式的groupindex属性是一个字典，它存储了正则表达式中所有命名捕获组（Named Capturing Groups）的名称和它们对应的索引。每个命名捕获组都有一个唯一的名称，groupindex属性将这些名称映射到它们在正则表达式中的索引。
也可以创建一个命名来捕获组，详情可以看下文的从文本中提取日期的例子。

我们国家手机号码的格式， 通常是以1开头，第二位是3、4、5、6、7、8或9，后面跟着9位数字。一个常见的正则表达式模式匹配中国大陆的手机号码如下：

1[3-9]d{9}

解释一下这个正则表达式：

1：手机号码以数字1开头。
[3-9]：第二位数字是3到9之间的任意一个数字。
d{9}：随后是9个数字，d是数字的简写，{9}表示重复9次。

以下是使用Python re 模块提取手机号码的示例代码：

这段代码会输出文本中所有的手机号码。re.findall 函数返回一个列表，包含所有匹配的手机号码字符串。

如果要匹配更复杂的手机号码，例如支持其他国家的手机号码或者更复杂的格式，你可能需要调整正则表达式以适应不同的规则。

注意：由于手机号码的格式可能因国家和地区而异，如果我们处理国际手机号码，可能需要使用更通用的正则表达式，例如：

+?d{1,3}?[-.s]?(?d{1,4}?)?[-.s]?d{1,4}[-.s]?d{1,4}[-.s]?d{1,9}

这个表达式尝试匹配包括国家代码，和各种分隔符的国际手机号码，但可能不会覆盖所有情况，并且可能需要根据具体需求进行调整。

日期的格式也非常多样，这里以一种常见的格式为例：

3.1. 使用re.findall提取日期：

如果遇到的文本中的日期是倒叙，可以使用的方法

3.2. 使用re.search筛选日期

re.search可以自定义数字的长度来匹配固定的日期格式，比较清晰明了

不过，正则表达式需要根据实际的文本格式进行调整。如果我们需要匹配更复杂的日期格式，可能需要编写更复杂的正则表达式，或者使用日期解析库如 dateutil。

3.3. 结合 dateutil 解析日期

如果你想要更智能地解析日期，可以使用 库，它能够识别多种日期格式：

3.4.使用 re.compile 获取日期

使用自定义的 带有命名捕获组的正则表达式，以年、月、日来命名这个组，最后的形式以列表中的元组来展示：

我们有时候需要整理网址的时候，会遇到一些不完整的网址，需要做拼接，或者再处理；
如这个例子：

打算把【…/Company_View/Default/f/f99fa474-d1f1-484e-8953-006bf6dfaec0.shtml 】
整理成【https://Company_View/Default/f/f99fa474-d1f1-484e-8953-006bf6dfaec0.com】

经过观察，我们需要把前面的多余的符号和后缀去掉，然后拼接需要的https、com 就好，一下是处理的过程：

这里使用了，字符串的的和的方法。我们先索引第一个“/”的位置，从这个位置到最后一个“.”的位置，用是从右边开始数起来。

总结：正则表达式很强大，但也需要仔细地编写以避免错误匹配哦！

附录：
如果要给电话号码做隐私处理，加一个遮罩效果：