Recetas Regex para limpieza de datos CRM y CSV

Recetas de Regex para la Limpieza de Datos de CRM y CSV

Los datos sucios del CRM cuestan dinero real: correos electrónicos rechazados, contactos duplicados, fusiones de correo defectuosas. Aquí tienes 5 patrones de regex probados en combate que limpian los problemas más comunes. Prueba cada uno en el Regex Tester antes de ejecutarlos en datos de producción.

1. Normalización de Números de Teléfono

Elimina todo excepto los dígitos y el + inicial:

Patrón: [^\d+]
Reemplazo: (vacío)
Banderas:   g

Entrada: (555) 123-4567 → Salida: 5551234567

Entrada: +1-800-555-0199 → Salida: +18005550199

Luego formatea programáticamente:

const digits = phone.replace(/[^\d+]/g, '');
// Formato US: +1 (XXX) XXX-XXXX

2. Validación de Correo Electrónico

Captura correos electrónicos obviamente inválidos antes de que ingresen a tu CRM:

Patrón: ^[^\s@]+@[^\s@]+\.[^\s@]+$

Coincide con: [email protected], [email protected]

Rechaza: user @example, @missing.com, no-at-sign.com

Este es un filtro práctico, no conforme a RFC 5322. Para producción, combínalo con la búsqueda de registros MX.

3. Eliminar Espacios Duplicados

Las exportaciones CSV y el copiar-pegar a menudo introducen espacios adicionales:

Patrón: \s{2,}
Reemplazo: (un espacio)
Banderas:   g

Entrada: John Smith Jr → Salida: John Smith Jr

También recorta los espacios en blanco al principio y al final con ^\s+|\s+$ (banderas: gm para múltiples líneas).

4. Extraer Dominio de URL

Extrae los dominios de empresa de una lista de URLs de sitios web:

Patrón: https?:\/\/([^\/]+)
Grupo de captura 1 = dominio

Entrada: https://www.acme-corp.com/about → Grupo 1: www.acme-corp.com

Para eliminar www.:

Patrón: https?:\/\/(?:www\.)?([^\/]+)

5. Limpiar Artefactos de Comillas en CSV

Los analizadores CSV a veces dejan comillas y espacios aislados:

Patrón: ^[\s"]+|[\s"]+$
Reemplazo: (vacío)
Banderas:   g (aplicar por campo)

Entrada: " Acme Corp " → Salida: Acme Corp

Para comillas dobles escapadas dentro de campos:

Patrón: ""
Reemplazo: "

Juntándolo Todo

import re

def clean_crm_row(row: dict) -> dict:
    if 'phone' in row:
        row['phone'] = re.sub(r'[^\d+]', '', row['phone'])
    if 'email' in row:
        row['email'] = row['email'].strip().lower()
    if 'company' in row:
        row['company'] = re.sub(r'\s{2,}', ' ', row['company']).strip()
    return row

Pega cada patrón en el Regex Tester con datos de muestra para verificar las coincidencias y capturas antes de aplicarlos a gran escala.

Relacionado