如何将下划线视为空格提取发票编号？C# ASP.NET 7正则问题

问题场景 #

发票文本中存在下划线替代/补充空格作为分隔符的情况，具体有三类：

1. 编号后带下划线与文本：

...
Some nr_11687767_ other 101308591
Invoice Nr.
M230714_some text
Kirjeldus
...

2. 编号以换行终止：

...
This nr_11687767_KMKR_EE101308591
Invoice Nr.
M230714
01.05.2023
Item
...

3. 编号以其他空格分隔符终止：

...
Some  nr_11687767_ Text
Invoice Nr M230714   Date 01.05.2023
Desc
...

原使用的正则匹配成功但arvenumber分组为空：

Regex.Match(tekst, @"(?si).*_?Invoice[\s_]?NR[\s_:\.]?(?<arvenumber>.*?)[\s_]");

问题分析 #

原正则存在两个核心问题：

1. 前面的.*贪婪匹配会优先消耗大部分文本，导致后续惰性匹配的.*?无法捕获到有效编号；
2. 结尾的[\s_]限定编号必须以空格或下划线结尾，但第二种场景中编号以换行结尾，无法触发匹配，最终捕获组为空。

修正后的正则 #

Regex.Match(tekst, @"(?si).*Invoice[\s_]?Nr[\s_:\.]*(?<arvenumber>[^\s_\n]+)");

逻辑说明 #

• (?si)：启用单行模式（让.匹配换行符）和忽略大小写模式，适配不同大小写的Invoice Nr写法；
• .*Invoice[\s_]?Nr[\s_:\.]*：精准定位发票编号前缀，兼容空格、下划线、冒号、点号等任意分隔组合；
• (?<arvenumber>[^\s_\n]+)：捕获所有非空格、非下划线、非换行的连续字符，完美覆盖三类场景的编号终止规则：
  • 场景1：遇到下划线时停止捕获，得到M230714；
  • 场景2：遇到换行时停止捕获，得到M230714；
  • 场景3：遇到空格时停止捕获，得到M230714。

使用示例 #

在C# ASP.NET 7中调用：

string invoiceText = "你的发票文本内容";
Match match = Regex.Match(invoiceText, @"(?si).*Invoice[\s_]?Nr[\s_:\.]*(?<arvenumber>[^\s_\n]+)");
if (match.Success)
{
    string invoiceNumber = match.Groups["arvenumber"].Value;
    // 后续处理发票编号逻辑
}

内容的提问来源于stack exchange，提问作者Andrus