Рецепти регулярних виразів для очищення даних CRM і CSV

Шаблони Regex для очищення даних CRM та CSV

Брудні дані CRM коштують справжніх грошей: відправлені електронні листи повертаються, контакти дублюються, зливаються дані. Тут наведено 5 перевірених шаблонів regex, які усувають найпоширеніші проблеми. Перевірте кожен із них у Regex Tester перед застосуванням до робочих даних.

1. Нормалізація номерів телефонів

Видаліть усе, крім цифр та провідного +:

Шаблон: [^\d+]
Заміна: (порожньо)
Прапори: g

Вхідні дані: (555) 123-4567 → Вихідні дані: 5551234567

Вхідні дані: +1-800-555-0199 → Вихідні дані: +18005550199

Потім відформатуйте програмно:

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

2. Валідація електронної пошти

Перехопіть очевидно недійсні електронні адреси до того, як вони потраплять до вашої CRM:

Шаблон: ^[^\s@]+@[^\s@]+\.[^\s@]+$

Збіги: [email protected], [email protected]

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

Це практичний фільтр, а не відповідний RFC 5322. Для виробництва використовуйте його разом із перевіркою записів MX.

3. Видалення дублюючихся пробілів

Експорти CSV та копіювання часто вводять додаткові пробіли:

Шаблон: \s{2,}
Заміна: (один пробіл)
Прапори: g

Вхідні дані: John Smith Jr → Вихідні дані: John Smith Jr

Також обріжте провідні та кінцеві пробіли за допомогою ^\s+|\s+$ (прапори: gm для багаторядкового формату).

4. Витяг домену з URL

Витягніть домени компаній зі списку URL-адрес веб-сайтів:

Шаблон: https?:\/\/([^\/]+)
Група захоплення 1 = домен

Вхідні дані: https://www.acme-corp.com/about → Група 1: www.acme-corp.com

Щоб видалити www.:

Шаблон: https?:\/\/(?:www\.)?([^\/]+)

5. Очищення артефактів квотування CSV

Парсери CSV іноді залишають зайві лапки та пробіли:

Шаблон: ^[\s"]+|[\s"]+$
Заміна: (порожньо)
Прапори: g (застосувати до кожного поля)

Вхідні дані: " Acme Corp " → Вихідні дані: Acme Corp

Для втечених подвійних лапок всередині полів:

Шаблон: ""
Заміна: "

Підсумок

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

Вставте кожен шаблон у Regex Tester із зразковими даними, щоб перевірити збіги та захоплення перед застосуванням у великих масштабах.

Пов'язані матеріали