整理五万条银行流水居然只需要30s？正则法则轻松搞定
// Dirty Work互助者计划
为了让大家在办公中更好地处理各类Dirty Work，案牍AutoDocs会通过「Dirty Work互助者」这个专栏，分享各类使用提高效率、解决Dirty Work的小妙招，让你专注于更有价值的工作！
本栏目汇集了一群对高效率工具充满好奇、热情的年轻人们，通过案牍AutoDocs的平台连接，大家一起互动、交流、学习，在互助中成长。
Excel表格匹配是我们处理银行流水过程中经常需要处理的工作。
但是表格的格式、内容并不是固定且完全一致的。
本期文章将介绍正则表达式的用法，并通过实战演练，教你如何快速上手，轻松解决Dirty Work！
整理银行流水的难题在于要把银行日记账和流水账按照时间、金额、对方户名一一匹配，如果只是采取普通加辅助列整理出来的只能将时间和金额匹配起来，但是却没办法匹配到对方户名。
对账是要将相同时间、相同账户、相同金额的记录在两个工作表中进行匹配。
但我们经常会遇到的情况是：现金日记账里只有摘要，但没有银行账户这个关键信息。
首先，我们来观察银行流水账和现金日记账两张表格的结构：
时间+金额，满足两个条件可以通过辅助列来完成匹配
但账户名怎么关联？
银行流水账有账户名这个关键字，但是现金日记账里却没有，怎么处理？
你可能会说：“嘿嘿，分列不就解决了？用分隔符"-"对日记账的摘要进行分列操作，再用VLOOKUP匹配，轻松解决问题。”
但真实情况的表格一般如下所示：
表述五花八门，格式乱七八糟
要将摘要进行分列，提取出银行账户名的解决思路是对的，但是怎么确定在哪个位置进行分割提取关键信息呢
Excel的分列功能面对形形色色的表述爱莫能助，Power Query的分列好像也不太适用。
面对这种棘手的情况，我们可以借助正则表达式呀！
// 什么是正则表达式？
正则表达式(regular expression)：是一种描述字符串匹配的模式(pattern)，可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。
例如：autodoc+s，可以匹配 autodocs、autodoccs、autodoccccccs 等，+ 号代表前面的字符必须至少出现一次。
因此，正则表达式可以简单粗暴地理解为一种匹配方法：我们告诉计算机一段内容的内在规律(比如说手机号的11位数字)和我们需要的内容结构，计算机将会帮我们去做相应的匹配，并将找到的结果返还给我们。
相比之下，VLOOKUP的局限性在于：只能告诉计算机：“帮我找Andy这个单词”，而不能跟计算机说：“帮我找出所有A开头的单词。”
划重点：正则表达式不是一个具体的内容，它是一个抽象的规律。
正则表达式的基本语法：正则表达式一个字符代表一个位置，一组[]代表一个范围，一组{}代表字符出现次数。
下面以匹配日期为例进行操作演示，试试我们刚学会的正则表达式。
基于不同的记录习惯，我们在Excel表中遇到各种各样的情况。看看上面的日期写法，#￥@%&*……。
如果让Excel自动提取每一个单元格里的日期内容，估计Excel都会崩溃。
那么我们人类又是怎么认出这些日期的呢？
因为我们知道，一般四个数字表示年份，两个数字的表示月份或者日号，中间加一些停顿符号或者文字分隔符，继而读出了具体的日期。
那我们就把这个内在的规律通过代码形式体现出来！
第一步：提取年份
年份的取值是由四个数字构成的，数字的取值范围是0-9，取值范围用[]，字符出现次数用{}，因此年份的正则表达式可以写为
[0-9] {4}
等下，年份可能只有两位数字！
所以年份的规律应该是，最少2个数字，最多4个数字！跟字符出现次数有关的，还是用{}，可是怎么写呢？
[0-9]{2,4}表示，0-9范围内的数字最少出现两次，最多出现四次。
所以{}内的参数可有两个，逗号前的参数表示最少出现的次数，逗号后的参数表示最多出现的次数。
如果{}内参数只有一个，则表示出现的固定次数。
第二步：提取月份
根据大家的习惯，年份后面会出现天然的文字分隔符。比如“年”、“/”、“-”或者“.”等符号，也就是说年份后面紧跟的字符是这几个字符中的某一个，用[]限定范围就可以啦！
注意，这里需要把'-'放在最后，否则会出错，因为'-'放在两个字符中间表示“至”的意思，0-9，0至9。因此如果要表示'-'字符本身，要把'-'放在最后，防止误会~
[0-9]{2,4}[年./-]
第三步：提取日期
我们已经提取了月份前面的所有内容啦，顺着这个思路一口气把月份和日号也拿下吧！
[0-9]{2,4}[年./-][0-9]{2}[月./-][0-9]{1,2}[日号]
咦，“21年12.12”没有高亮，为什么？
因为我们告诉计算机，最后一个字符是日或者号里面的其中一个，而21年12.12的结尾并不是“日”或者“号”那该怎么办呢？
实际上我们想表达的是，如果最后一位有字符就是在日和号里面二选一，没有也行。用{0,1}表达出现次数就好啦！
[0-9]{2,4}[年./-][0-9]{2}[月./-][0-9]{1,2}[日号]{0,1}
第四步：简化表达式
你看现在的这个表达式是不是有点冗长呢？
悄悄告诉你，正则表达式中含有丰富的元字符，我们可以直接用这些元字符代替！
这时，上述日期的正则表达式可以简化为：
\d{2,4}[年月日号./-]\d{0,2}[月日号./-]?\d{0,2}[月日号./-]?
看似复杂的正则表达式，其实也没有想象中那么难对吧！
// 实战演练
回到文章开头提出的问题，那要怎么通过正则表达式在五万条数据中快速提取出人名和公司名呢？
不难发现，即便每个人的表达习惯不一样，一个完整的语句会包括主体、事件、对象这些基本要素，针对上述要素描述，我们可以试着找到一些内在规律：
人名前面可能会有其所属部门名称（xx部、BP中心-xx、xxxx项目组）
正则表达式：'^.{1,3}部|组'
公司名前面可能会有“-”，且公司名的结尾都是“公司”（受篇幅的限制，数据只展示了一部分，法人名称结尾一般是“公司”或者“企业”字样）
正则表达式：'-.+(公司)|(企业)$'
摘要中的动词大多为“支付”、“报销”、“申请”，而动词前面基本是人名
费用名称一般为“转移费”、“快递费”、“工程款”，即xx费，xx款
正则表达式：'(支付)|(报销)|(申请)'，'.+[费款]'
Tada！最后将选中的文本一键替换为空值就成功“清洗”出了我们想要的数据啦~
感谢看到这里，不知道有没有学会呢？
如果刚好遇到需要整理数据的情况就立马应用起来吧！
关于我们
─
案牍AutoDocs是一个助力专业服务提供者提高工作效率的自动化平台。
一群来自律所、投行以及科技公司的年轻人，希望将规则与技术相结合，帮助专业服务提供者摆脱Dirty Work
从法律行业出发，我们希望能够为大家提供一种跨时代的工作方式，帮助专业服务提供者提高生产力，将机械重复的工作自动化。
无论是法律、合规、税务以及金融领域还是其他领域的专业服务提供者，都能够通过案牍AutoDocs将专业知识转化成自动化服务应用。
- END -
文章被以下专栏收录
