「数据提取」正则表达式：如何在Excel中实现精准提取

建发图书 2022-04-09

展开全文

数据提取是Excel中常见的一类问题。

对于相对规律的数据，我们可以用函数（如用Left、Mid、Right）提取，或者用分列、快速填充等方式实现快速提取。

但有些数据或文本，根本没有规律可言，想从中提取目标文本不是一件容易的事。

例如图中B列单元格中的长文本，中间可能既有手机号码，又有座机号码，且这些电话号码的位置不固定。可以说，这是一份完全杂乱无规律的数据。

问题来了——像这样的无规律文本，怎么在Excel中实现精准提取呢？今天我们来介绍一个重要的知识点：正则表达式。

01什么是正则表达式？

正则表达式（Regular Expression），在代码中常简写为regex、regexp或RE，是计算机科学的一个概念，通常被用来检索、替换那些符合某个模式（或规则）的文本。

很多程序设计语言都支持利用正则表达式进行字符串操作，包括VBA。正则表达式表现为一串由提前定义好的特定字符、或由这些特定字符的组合所构成的“规则字符串”，如“\d+”就是一个正则表达式，表示任意多位的数字。

正则表达式中，一般包括两类字符，一种是正常的文本字符，另一种是元字符（就是指那些在正则表达式中具有特殊意义的专用字符）。比如，正则表达式“\babc”表示以“abc”开头的字符串，其中“abc”即为正常的文本字符，而“\b”则是一个元字符，代表“以特定字符开头的”。

以下为大家整理了常用的一些正则字符。

02利用正则表达式提取目标数据

回到本节开头的问题——从长文本中提取电话号码。

为了准确提取出电话号码，我们需要写出电话号码对应的正则表达式。由于号码中全是数字，因此可以使用元字符\d（代表数字）。而手机号与座机号又有不同，手机号是11位连续数字，而座机则是“4位区号-8位号码”的格式，因此提取手机号和座机号的正则表达式是不同的。

提取手机号：\d{11}，表示连续的11位数字，也可以用：1\d{10}，即1开头且后面还有10个数字。

提取座机号：\d{4}-\d+，表示“-”前有4位数字，“-”后面至少有1位数字。

同时提取手机号和座机号：\d{11}|\d{4}-\d+，“|”代表条件或，因此将前面两个正则表达式用“|”连起来，就可以同时提取手机号和座机号。

理解了正则表达式，接下来最关键的问题来了——正则表达式要写在哪里？如何利用正则表达式来提取目标文本呢？

在Excel中，我们需要借助VBA来实现，但是如果你安装了”Excel超能力“插件，则直接在正则输入框中输入正则表达式即可，往下看，会介绍到。

方式1——在VBA中应用正则表达式

第1步：ALT + F11，打开VBE，并新建一个模块；

第2步：在模块中编写如下代码：

Sub 提取电话()

Dim i, j As Long
Dim reg AsObject, PNums As Object
Set reg =CreateObject('VBScript.RegExp') '创建正则对象
reg.Global = True
reg.Pattern = '\d{11}|\d{4}-\d+' '正则模式，指定目标文本的正则表达式
For i = 3 ToCells(2, 2).End(4).Row
Set PNums =reg.Execute(Cells(i, 2).Value) '对单元格文本执行正则表达式
For j = 0 ToPNums.Count - 1
Cells(i,j + 3).Value = PNums(j).Value
Next j
Next i
End Sub

第3步：运行程序，一键即可完成自动提取。

代码中，Set reg =CreateObject('VBScript.RegExp')创建了正则对象，reg.Pattern = '\d{11}|\d{4}-\d+'指定了用于匹配的正则模式，即正则表达式。最后通过循环遍历，对各个单元格执行正则运算（reg.Execute(Cells(i, 2).Value)），并将结果依次填入目标单元格。