C# 从网页解析国际电话号码

我正在使用HtmlAgilityPack解析网页。加载文档后，我想从HTML中提取可能的电话号码。目前，我正在为此使用一些正则表达式。我有下面一段代码，用于检查网页中的电话号码是否匹配

    private static string phoneReg =
                @"[\+]{0,1}(\d{10,13}|[\(][\+]{0,1}\d{2,}[\13)]*\d{5,13}|\d{2,6}[\-]{1}\d{2,13}[\-]*\d{3,13})";
            private static Regex phoneRegex = new Regex(phoneReg, RegexOptions.IgnoreCase);
var phoneMatches = phoneRegex.Matches(doci.DocumentNode.InnerText);

其中

doci

是

HtmlDocument

对html敏捷包的抽象。问题是它无法匹配某些电话号码，如

08450 211 211

和

+44（0）1246 733 000

---

有没有一个通用的正则表达式最适合抓取网站，它允许匹配大多数形式的国际电话号码？

您无法匹配这些电话号码（

08450 211

和

+44（0）1246 733 000

），因为您的正则表达式根本不匹配它们

编写正则表达式时必须做的第一件事是识别要匹配的模式

因此，我的建议是写下不同电话号码格式的列表，更新您的问题，然后我们将能够帮助您。否则，我将始终创建一个新的电话号码，您的正则表达式可能不匹配，或者它将只匹配超过您想要的

下面是一个与上述电话号码匹配的正则表达式：

(?:\+\d+\s+\(\d+\)\s+)?\d{4,5}\s+\d{3}\s+\d{3}

(?:\+\d+\s+\(\d+\)\s+)?[\d -]+

编辑：

根据您的评论，我只会使用这个正则表达式，然后删除那些不是电话号码的：

(?:\+\d+\s+\(\d+\)\s+)?\d{4,5}\s+\d{3}\s+\d{3}

(?:\+\d+\s+\(\d+\)\s+)?[\d -]+

---

您无法匹配这些电话号码（

08450 211 211

和

+44（0）1246 733 000

），因为您的正则表达式根本不匹配

编写正则表达式时必须做的第一件事是识别要匹配的模式

因此，我的建议是写下不同电话号码格式的列表，更新您的问题，然后我们将能够帮助您。否则，我将始终创建一个新的电话号码，您的正则表达式可能不匹配，或者它将只匹配超过您想要的

下面是一个与上述电话号码匹配的正则表达式：

(?:\+\d+\s+\(\d+\)\s+)?\d{4,5}\s+\d{3}\s+\d{3}

(?:\+\d+\s+\(\d+\)\s+)?[\d -]+

编辑：

根据您的评论，我只会使用这个正则表达式，然后删除那些不是电话号码的：

(?:\+\d+\s+\(\d+\)\s+)?\d{4,5}\s+\d{3}\s+\d{3}

(?:\+\d+\s+\(\d+\)\s+)?[\d -]+

---

---

我已经尝试了许多来自的正则表达式模式，但它们没有达到目的。对不起，这听起来很恶意。（在许多网站上爬行并提取电话号码）。你介意解释一下你为什么这么做吗？这是关于收集我们网站上关于分销商的一些信息。我们只是从db网站上读到了他们的联系方式，我甚至可以设置更多的正则表达式。我已经尝试了许多正则表达式模式，但它们都没有达到目的。对不起，这听起来很恶意。（在许多网站上爬行并提取电话号码）。你介意解释一下你为什么这么做吗？这是关于收集我们网站上关于分销商的一些信息。我们只是从db网站上读到了他们的联系方式，我甚至可以设置更多的正则表达式。我只想一个接一个地匹配他们。如果有人对这个问题有疑问的话，我想从不同分销商的网站上提取电话号码，所以要提供一个精确的数据集是非常困难的。什么，我想要的是一个正则表达式模式，匹配大多数国际电话号码模式。假阳性在某种程度上是可以容忍的。除非他们开始将文本或html声明为电话号码。在分析文档中是否存在电话号码时，添加

^

将强制仅在文档开头进行匹配。类似地，在文档末尾添加

$

将强制仅在文档末尾进行匹配。这是真的还是我误读了正则表达式的含义works@MuhammadAdeelZahid请参阅我的编辑。我认为您可以使用该正则表达式，然后手动删除不正确的数字，因为会有不正确的数字（比如这个日期：

2010-10-10

，等等）。一旦你有了一个长的列表，也许你可以根据它们的格式对数字进行分组，并编写一个更具体的正则表达式。

的含义是什么？：

在正则表达式中？这意味着

不要捕获这个组。它已匹配，但未放置在组列表中。在这种情况下，它可能可以省略。你可以根据你想在每个组中捕获的内容来调整括号。事实上，我想从不同分销商的网站中提取电话号码，因此要获得准确的数据集是非常困难的。什么，我想要的是一个正则表达式模式，匹配大多数国际电话号码模式。假阳性在某种程度上是可以容忍的。除非他们开始将文本或html声明为电话号码。在分析文档中是否存在电话号码时，添加
^
将强制仅在文档开头进行匹配。类似地，在文档末尾添加
$
将强制仅在文档末尾进行匹配。这是真的还是我误读了正则表达式的含义works@MuhammadAdeelZahid请参阅我的编辑。我认为您可以使用该正则表达式，然后手动删除不正确的数字，因为会有不正确的数字（比如这个日期：
2010-10-10
，等等）。一旦你有了一个长的列表，也许你可以根据它们的格式对数字进行分组，并编写一个更具体的正则表达式。
的含义是什么？：
在正则表达式中？这意味着
不要捕获这个组。它已匹配，但未放置在组列表中。在这种情况下，它可能可以省略。可以根据要在每个组中捕获的内容调整括号。