中文语境下的手机号识别
最近在做一个关于中文大段文本中的手机号码识别，由于属于对抗性的一个文本，发现传统的手机号码识别方法，比如正则匹配并不是很适用。
理论情况下文本中的手机号码出现方式应该如下：
9*6箱车转让，连线路一起打包，带线路转让，固定货源联系13802131234,手机号，非诚勿扰2+1合同对于这种情况，只要需要进行一下正则就行了：
text = '9*6箱车转让，连线路一起打包，带线路转让，固定货源联系13802131234,手机号，非诚勿扰2+1合同'
mobilephone_pattern = "1\d{10}"
phoneNumbers = re.findall(mobilephone_pattern, text, flags=0)得到了如下结果：
In [36]: phoneNumbers
Out[36]: ['13802131234']但是实际情况下，第三方会进行逃避规则的操作，出现了比如：
9*6箱车转让，连线路一起打包，带线路转让，固定货源联系138-02##131234,手机号，非诚勿扰2+1合同9*6箱车转让，连线路一起打包，带线路转让，固定货源联系138-洞2##幺3幺234,手机号，非诚勿扰2+1合同甚至还会有：
9*6箱车转让，连线路一起打包，带线路转让，固定货源联系1衫8-洞2##幺散幺2删4,手机号，非诚勿扰2+1合同这样的情况下，继续通过规则就难以实现了：
In [38]: re.findall(mobilephone_pattern, text, flags=0)
Out[38]: []所以，我们做了一个拼音转译+循环判断的逻辑进行了优化，会先把文本处理一边：
In [37]: text = '9*6箱车转让，连线路一起打包，带线路转让，固定货源联系1衫8-洞2##幺散幺2删4,手机号，非诚勿扰2+1合同'
In [38]: re.findall(mobilephone_pattern, text, flags=0)
Out[38]: []
In [39]: from YMMNlpUtils import YMMNlpUtils
In [40]: obj = YMMNlpUtils(strict=True)
In [41]: obj.get_all_phone_number(text)
Out[41]: '96箱车转让连线路17打包带线路转让固定货源联系13802131234手机号非诚5扰21合同'
In [42]: re.findall(mobilephone_pattern,obj.get_all_phone_number(text), flags=0)
Out[42]: ['13802131234']这样处理完就可以得到手机号码了。
由于是定制化的功能，后期可能还会维护出微信号，身份证号这些，更多的可以去git看一下，放上地址链接手机号码小工具，安装方法在README里面有解释。
欢迎大家关注我的个人bolg，知乎，更多代码内容欢迎follow我的个人Github，如果有任何算法、代码、转行疑问都欢迎通过邮箱发消息给我。
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2019.05.13 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读