正则表达式优化邮件优惠券代码提取逻辑适配多格式

问题背景 #

我需要解析邮箱里的营销邮件，从中提取优惠券代码，但当前写的逻辑只能适配单一格式。现有代码如下：

def extract_promo_code(body):
    # Use regular expressions to find promo code
    promo_code_pattern = r'(?i)(?:Enter\s+Code|Enter\s+promo)(?:[\s\n]*)([A-Z0-9]+)'
    match = re.search(promo_code_pattern, body)
    if match:
        promo_code = match.group(1)
        # Remove any non-alphanumeric characters from the promo code
        promo_code = re.sub(r'[^A-Z0-9]', '', promo_code)
        return promo_code
    else:
        return None

待处理的邮件样本：

• 样本1：

结账时输入代码.*
优惠有效期至2023年10月6日美国中部时间23:59
MKEA15EMYZGP8W

• 样本2：

输入代码JSB20GR335F4
有效期至2023年9月21日美国中部时间23:59.*

需求是：匹配“Enter Code”“enter promo”以及中文“输入代码”之后出现的首个大写字母+数字组合的优惠券代码，允许触发文本和代码之间有换行、空格甚至其他文本。当前代码能处理样本2，但识别不了样本1的代码。

解决方案 #

原代码的问题在于两个点：一是没覆盖中文触发词“输入代码”，二是仅用[\s\n]*只能匹配连续空白，无法跳过触发词和代码之间的其他文本内容。修改后的代码如下：

import re

def extract_promo_code(body):
    # 匹配中英文触发词，跳过中间任意内容，提取首个符合格式的优惠券代码
    promo_code_pattern = r'(?i)(?:Enter\s+Code|Enter\s+promo|输入代码).*?([A-Z0-9]+)'
    match = re.search(promo_code_pattern, body, re.DOTALL)
    if match:
        promo_code = match.group(1)
        promo_code = re.sub(r'[^A-Z0-9]', '', promo_code)
        return promo_code
    else:
        return None

修改说明 #

• 正则表达式中新增|输入代码，覆盖中文触发场景
• 使用.*?非贪婪匹配，跳过触发词和优惠券之间的所有内容（包括换行和其他文本）
• 添加re.DOTALL参数，让正则中的.可以匹配换行符，支持跨多行匹配

测试效果 #

• 针对样本1，能正确提取出MKEA15EMYZGP8W
• 针对样本2，依然可以正常提取JSB20GR335F4

内容的提问来源于stack exchange，提问作者Raafeh Sajjad