使用Python与正则表达式高效提取Excel中的票号数据

使用Python与正则表达式高效提取Excel中的票号数据

一、需求

本文将介绍如何利用Python的Pandas库和正则表达式，快速实现票号这一数据清洗任务，并将结果整理为规范的表格结构。

在数据处理场景中，从非结构化文本里提取特定格式的信息是常见需求。例如在物流工单、票务系统的Excel记录中，我们经常需要从冗长的摘要文本里提取出票号（如快递单号、订单号等）。

二、核心代码解析

我们通过一段实际代码来演示整个处理流程，代码逻辑分为数据读取、正则匹配、结果整理三个核心步骤。

1. 导入依赖库

import pandas as pd
import re

• pandas：用于Excel文件的读写和数据处理
• re：正则表达式模块，用于文本模式匹配

2. 读取原始数据

df = pd.read_excel('报销.xlsx')

• 使用pd.read_excel读取原始Excel文件，假设数据存储在默认的第一个工作表
• 原始数据结构：假设第一列为包含票号的摘要文本（如“处理票号1234567890的问题”）

3. 预编译正则表达式

ticket_pattern = re.compile(r'\b\d{8,30}\b')

• 模式解析：
  • \b：单词边界，确保匹配独立数字串
  • \d{8,30}：匹配8到30位的连续数字（可根据实际票号长度调整）
• 预编译优势：避免重复编译正则表达式，提升匹配性能

4. 遍历文本并提取票号

result_data = []
for text in df.iloc[:, 0].astype(str):
    tickets = ticket_pattern.findall(text)
    if tickets:
        # 处理第一条记录（包含摘要和首个票号）
        result_data.append({'摘要': text, '票号': tickets[0]})
        # 处理剩余票号（摘要留空）
        result_data.extend({'摘要': '', '票号': ticket} for ticket in tickets[1:])
    else:
        # 无票号时保留摘要
        result_data.append({'摘要': text, '票号': ''})

• 关键逻辑：
  • df.iloc[:, 0]：选取第一列数据（假设票号在第一列）
  • astype(str)：确保所有数据转为字符串类型，避免类型错误
  • findall方法：返回所有匹配的票号列表
  • 数据结构设计：
    • 首个票号保留对应的摘要文本
    • 后续票号共享同一摘要（摘要留空以节省空间）
    • 无票号记录保留原始摘要，票号字段为空

5. 保存结果到Excel

pd.DataFrame(result_data).to_excel('output4.xlsx', index=False)

• 将结果列表转换为DataFrame并保存为新Excel文件
• index=False参数：禁止生成默认行索引列

三、技术关键点

1. 正则表达式优化技巧

• 动态调整匹配模式：若票号包含字母（如“YT123456”），可修改模式为：

  r'\b[A-Za-z0-9]{8,30}\b'  # 匹配字母数字混合字符串
  

• 边界控制：使用\b避免匹配长数字串中的子串（如从“123456789012”中提取完整票号，而非截断部分）

2. Pandas数据处理技巧

• 向量化操作：虽然本例使用循环遍历，对于大规模数据可尝试向量化处理（如df[0].apply()）以提升速度
• 数据类型管理：通过astype(str)统一处理可能的数值型、日期型数据，避免正则匹配错误

3. 多票号处理逻辑

• 当单条摘要包含多个票号时（如“涉及票号123456和789012”），代码会将首个票号与摘要关联，后续票号以“摘要为空+独立票号”的形式展示，便于后续数据统计。

需要源码的，加同名ggh,进行获取