如何用正则从不同格式的发票文本中提取发票编号？

原正则问题分析 #

你之前使用的(?<=invoice).+\d+存在几个核心问题：

• .+会贪婪匹配invoice到最后一个数字之间的所有内容，无法精准定位发票编号；
• 未考虑大小写差异（如Invoice、INVOICE）；
• 未适配中文场景下的“发票编号”“发票号”等关键词；
• 没有限定发票编号的格式范围，容易捕获无关数字。

针对性正则方案 #

根据发票编号的常见特征，提供以下几种精准提取的正则：

1. 固定长度纯数字编号（如示例中的7位数字）

(?i)(?:invoice(?:\s*no\.?)?|发票(?:编号|号))\s*[:#-]?\s*(\d{7})

• 说明：
  • (?i)：忽略大小写，兼容英文大小写写法；
  • (?:invoice(?:\s*no\.?)?|发票(?:编号|号))：匹配英文的invoice/invoice no.，或中文的“发票编号”/“发票号”；
  • \s*[:#-]?\s*：匹配编号前可能的分隔符（冒号、井号、短横线或空格）；
  • (\d{7})：捕获固定7位的纯数字编号，可根据实际编号长度调整数字位数（如\d{8}匹配8位）。

2. 任意长度纯数字编号

如果发票编号长度不固定，将上面的\d{7}替换为\d+即可：

(?i)(?:invoice(?:\s*no\.?)?|发票(?:编号|号))\s*[:#-]?\s*(\d+)

3. 含字母的混合编号（如INV12345）

若编号包含字母，调整捕获组为字母数字组合：

(?i)(?:invoice(?:\s*no\.?)?|发票(?:编号|号))\s*[:#-]?\s*([A-Z0-9]+)

无明确关键词时的兜底方案 #

如果发票文本中没有“发票”相关关键词，可基于编号的唯一性特征提取（假设编号是文本中最长的数字串，或唯一的长数字串）：

\b\d{7}\b

• 说明：匹配独立的7位数字串，需确保文本中无其他同长度的无关数字（如订单号、手机号等）。

测试示例 #

• 输入文本：公司XYZ 发票编号：1234545 单价：100 总价：500 → 捕获结果：1234545
• 输入文本：Company ABC Invoice No. 1234545, Unit Price: 200 → 捕获结果：1234545

内容的提问来源于stack exchange，提问作者panes-rubrics