Excel 正则清理

要解决的具体问题

从 Excel 里清理文本时，最麻烦的不是不会写正则，而是三件事：正则模式不确定、大小文件处理策略不同、以及担心改坏原始文件。比如有一列 1.1 (新一代)，你要么只留括号里的中文，要么删掉所有数字和点，要么把空格换成下划线。手工改慢，写脚本又怕误伤其他列。

@user_8f803df1/excel-regex-clean 来自 SkillHub 上的用户 8f803df1，把这件事拆成三种可预览的模式，并且默认不改原文件。

核心能力

该技能基于 Python re 模块实现正则匹配，根据文件大小自动选择底层库：

• extract：用捕获组 (...) 圈出要保留的内容，例如 1.1 (新一代) → 新一代
• remove：匹配要删除的部分，例如 \d+ 删除数字，\. 删除英文点
• replace：匹配后替换，例如空格 → 下划线，或 CN → 中国

大文件（>10MB 或 >5万行）会走 XML 直接操作 sheet XML 的方案，官方称速度比常规方式快 4 倍。XML 方案严格限定在 sheet 层 + 列号，不碰 sharedStrings，改写的值以 inline string 写入，避免产生新的共享字符串引用。

关键步骤

整个流程分为五步，适合先预览再执行：

1. 需求解析：把自然语言映射成模式和正则，例如“去掉申请日里的横线”对应 remove 模式、正则 -
2. 勘察：确认目标列和文件结构
3. 规划：给出模式和正则，预览无误后执行
4. 执行：生成 _cleaned.xlsx 副本，原文件不动
5. 验证：检查替换结果

适用边界与注意点

该技能适合对 Excel 中特定列做正则级别的文本变换，不适合做复杂数据清洗、跨表关联或公式计算。使用时需要注意：

• 自动生成 _cleaned.xlsx，不修改原文件
• 正则只处理目标列：XML 方案按列号限定，openpyxl 方案只遍历目标列
• extract 模式中正则不匹配的保留原样
• .、(、)、\ 等特殊字符需要转义
• 建议先预览变换效果再执行
• 操作前必须自动备份，遵循 [[excel-safe-workflow]]；成功后保留最新 3 份，失误后从备份恢复
• 遵循 [[excel-safe-workflow]] 的安全流程

如果你只是需要对 Excel 中一列文本做正则提取、删除或替换，这个技能比手写脚本更可控，尤其是大文件场景下 XML 方案的表现值得关注。