影刀RPA文本数据提取方法一：正则表达式提取
作者：林焱 | 适合人群：需要从杂乱文本中精确提取结构化数据的新手
什么情况用什么
你从网页上抓下来一段文本，长这样：
商品名称：iPhone 15 Pro 价格：￥8999 销量：1.2万 发布时间：2025-10-01 联系方式：13800138000 邮箱：support@apple.com你要的只是价格里的数字和联系方式，其他都是干扰信息。
用「获取元素信息」指令拿到的是整个文本，下一步怎么把你要的数据抠出来？
正则表达式（Regular Expression，简称正则）就是干这个的——用一种特殊的字符串模式，从文本里匹配并提取你想要的内容。
什么情况用正则提取：
- 目标数据有固定的格式（比如手机号11位、邮箱包含@）
- 数据混在一大段文本里，用XPath单独提取不到
- 你需要做数据清洗（比如把"￥8999"变成"8999"）
怎么做
第一步：理解正则的基本语法
不用背，用的时候查就行。常用符号：
| 符号 | 含义 | 例子 |
|---|---|---|
\d | 匹配数字 | \d+匹配连续的数字 |
\w | 匹配字母、数字、下划线 | \w+匹配一个单词 |
. | 匹配任意字符（除了换行） | a.c匹配"abc"、“a1c” |
* | 重复0次或多次 | a*匹配""、“a”、“aa”… |
+ | 重复1次或多次 | a+匹配"a"、“aa”… |
? | 重复0次或1次 | a?匹配"“或"a” |
[] | 匹配括号里的任意一个字符 | [0-9]等价于\d |
() | 分组，提取括号里的内容 | (\d+)只提取数字部分 |
第二步：在影刀里使用正则提取
影刀RPA里有两个指令可以用正则：
- 「正则表达式匹配」— 判断文本是否匹配某个模式
- 「正则表达式提取」— 从文本里提取符合模式的内容
拼多多店群自动化上架方案
案例1：从价格文本里提取数字
文本："价格：￥8999元（含运费）"
目标：提取8999
操作步骤：
- 拖入「正则表达式提取」指令
- 源字符串：选包含价格文本的变量
- 正则表达式：
￥(\d+)元 - 提取结果：保存到变量
price_num
解释正则：￥(\d+)元
￥— 匹配人民币符号(\d+)— 分组1：匹配1个或多个数字（这就是你要提取的内容）元— 匹配"元"字
案例2：提取手机号
文本："请联系13800138000或13900139000咨询"
目标：提取所有手机号
正则：1[3-9]\d{9}
解释：
1— 手机号以1开头[3-9]— 第二位是3-9\d{9}— 后面跟9位数字- 合起来就是11位手机号
在影刀里，用「正则表达式提取（全部匹配）」指令，会返回一个列表：["13800138000","13900139000"]
案例3：提取邮箱地址
文本："客服邮箱support@apple.com，投诉邮箱complain@apple.com"
正则：[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}
这个正则可以匹配大多数邮箱地址格式。
第三步：处理提取结果
正则提取的结果通常是一个列表（因为可能匹配到多个）。
如果只要第一个匹配结果：
提取结果变量[0] ← 取列表第一个元素如果要遍历所有匹配结果：
用「ForEach」指令循环提取结果变量，逐个处理有什么坑
坑1：正则写对了但提取不到，可能是转义问题
在影刀的变量里写正则，\d、\w这些符号需要写成\\d、\\w（加一个反斜杠）。
因为影刀的变量是字符串类型，字符串里的\是转义字符，要表示真正的\需要写\\。
正确写法："\\d+"（变量里），而不是"\d+"
坑2：.不匹配换行符
默认情况下，正则里的.不匹配换行符。如果你的文本有多行，用.*可能匹配不到跨行的内容。
解决方案：在影刀的正则提取指令里，勾选「多行模式」或「单行模式」（让.匹配换行符）。
坑3：贪婪匹配导致提取多余内容
TEMU店群如何管理运营？
正则默认是"贪婪匹配"——尽量多地匹配。
比如文本："<div>内容A</div><div>内容B</div>"
正则：<div>.*</div>
贪婪匹配结果：<div>内容A</div><div>内容B</div>（整个都匹配了）
如果你只想匹配第一个<div>，用非贪婪匹配：<div>.*?</div>
在影刀里，在*后面加?就是非贪婪匹配。
坑4：中文标点符号导致匹配失败
网页上的文本，有些标点符号是中文的（比如，、。、：），但你的正则里写的是英文标点（,、.、:）。
解决方案：正则需要同时覆盖中英文标点，或者用\p{Punctuation}（如果影刀支持的话，通常不支持）。更简单的方法：先把文本里的标点统一替换成英文，再做正则提取。
坑5：正则很强大，但也很慢
如果你要对上万条数据做正则提取，速度会比普通的字符串操作（比如contains()）慢很多。
解决方案：如果数据量很大，先用简单的字符串操作做第一轮筛选，再用正则做精细提取。
总结
正则提取的核心：用模式匹配代替固定文本查找。
最常用的三个正则：
\d+— 提取数字1[3-9]\d{9}— 提取手机号[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}— 提取邮箱
下一篇讲文本数据提取方法二：JSON解析提取，应对那些数据藏在JSON里的场景（比如Ajax接口返回的数据）。
作者：林焱
