如何利用映射字典从TXT文件中提取指定结构化数据？

核心思路 #

先统一文本格式消除大小写、空格差异，再通过映射字典的字段变体去匹配提取对应值，最后输出规整的结构化结果。

具体实现步骤（Python） #

1. 预处理文本
   把读取的TXT内容统一转小写、合并多余空格，减少匹配时的格式干扰：

def preprocess_text(text):
    # 转小写+替换多空格为单空格+去除换行符
    return ' '.join(text.lower().split())

2. 优化映射字典
   将所有字段变体统一转小写，避免大小写不匹配的问题：

# 补充完整你的映射字典，这里加入发票字段的变体示例
values_dict = {
    'Customer Number': ['customer nr.', 'customer number', 'cus. nr.', 'cust no.'],
    'Invoice Number': ['invoice nr.', 'inv. number', 'invoice no.', 'inv nr'],
    'Order Number': ['order number', 'order nr', 'ord. no.', 'order no.']
}
# 生成小写版的变体映射，方便后续匹配
lowercase_mapping = {key: [var.lower() for var in vars] for key, vars in values_dict.items()}

3. 编写提取逻辑
   遍历每个目标字段，用正则匹配变体字段与对应值（兼容字段: 值或字段 值的常见格式）：

import re

def extract_data(txt_content):
    processed_text = preprocess_text(txt_content)
    extracted = {}
    
    # 提取公司信息（假设公司名位于文本开头，且在第一个业务字段前，可根据实际调整正则）
    company_match = re.search(r'^([a-zA-Z0-9\s&.,]+)(?=\scustomer nr\.|\sinv\. number|\sorder number)', processed_text)
    if company_match:
        extracted['Company Name'] = company_match.group(1).strip().title()
    
    # 遍历提取各业务字段
    for target_field, variants in lowercase_mapping.items():
        for variant in variants:
            # 匹配字段后紧跟冒号/空格，捕获字母、数字、连字符组成的值
            pattern = re.compile(rf'{re.escape(variant)}\s*:?\s*([a-zA-Z0-9-]+)')
            match = pattern.search(processed_text)
            if match:
                extracted[target_field] = match.group(1)
                break  # 找到匹配变体后停止当前字段的遍历
    
    return extracted

4. 读取文件并输出结果

# 读取目标TXT文件
with open('invoice_sample.txt', 'r', encoding='utf-8') as f:
    txt_content = f.read()

# 提取并打印规整结果
result = extract_data(txt_content)
print("规整提取结果：")
for key, value in result.items():
    print(f"{key}: {value}")

示例输出 #

假设输入TXT内容为：

ABC Trading Co.
Customer Nr.: 12345
Inv. Number: INV-7890
Order nr: ORD-678

运行后输出：

规整提取结果：
Company Name: Abc Trading Co.
Customer Number: 12345
Invoice Number: INV-7890
Order Number: ORD-678

注意事项 #

• 若字段值包含空格，可调整正则捕获组为([\w\s-]+)
• 针对表格类TXT，可先按行分割文本，逐行匹配变体字段
• 需根据实际业务场景扩展values_dict中的字段变体，确保覆盖所有可能的表述

内容的提问来源于stack exchange，提问作者Selchuk Hadzhaahmed