C#正则表达式提取发票行项：区分描述小数与金额

问题分析 #

你需要用C#从文本块中提取发票行项的三个字段：Line Item Code、Line Item Description和Line Item Dollar Amount，但当前正则表达式因允许描述部分跨行贪婪匹配，且金额匹配规则不精确，导致描述中的小数（如3.5、2.38）会触发误匹配，将多个行项合并为一个描述。

测试文本 #

1244 Drayage Charge MEDU2265085
1,875.00
4083 Chassis MEDU2265085 TRIAXLE 4 DAYS
640.00
1268 Pre-Pull MEDU2265085
250.00
1248 Truck Waiting & Over Time MEDU2265085 3.5*120
420.00
1244 Drayage Charge MEDU3325790
1,875.00
4083 Chassis MEDU3325790 TRIAXLE 4 DAYS
640.00
1268 Pre-Pull MEDU3325790
250.00
1248 Truck Waiting & Over Time MEDU3325790 2.38*120
285.60
1244 Drayage Charge MSCU3870551
1,875.00
4083 Chassis MSCU3870551 TRIAXLE 4 DAYS
640.00
1268 Pre-Pull MSCU3870551
250.00
1248 Truck Waiting & Over Time MSCU3870551 3.5*120
420.00

优化后的正则表达式 #

(?<LINE_ITEM_CODE>\d{4})\s+(?<LINE_ITEM_DESCRIPTION>.+)\r?\n(?<LINE_ITEM_AMOUNT>\d{1,3}(?:,\d{3})*\.\d{2})

规则说明 #

1. (?<LINE_ITEM_CODE>\d{4})：匹配4位数字的行项代码，用\d替代[0-9]更简洁。
2. \s+：匹配代码与描述之间的一个或多个空白字符（空格、制表符等）。
3. (?<LINE_ITEM_DESCRIPTION>.+)：匹配单行内的所有描述内容（默认模式下.不匹配换行），避免跨行捕获其他行项或金额。
4. \r?\n：兼容Windows（\r\n）和Unix（\n）的换行符，连接描述行与金额行。
5. (?<LINE_ITEM_AMOUNT>\d{1,3}(?:,\d{3})*\.\d{2})：精确匹配带千分位的货币格式，确保只捕获合法金额（如1,875.00、640.00），区分描述中的零散小数（如3.5、2.38）。

C# 使用示例 #

using System;
using System.Text.RegularExpressions;

class Program
{
    static void Main()
    {
        string invoiceText = @"1244 Drayage Charge MEDU2265085
1,875.00
4083 Chassis MEDU2265085 TRIAXLE 4 DAYS
640.00
1268 Pre-Pull MEDU2265085
250.00
1248 Truck Waiting & Over Time MEDU2265085 3.5*120
420.00
1244 Drayage Charge MEDU3325790
1,875.00
4083 Chassis MEDU3325790 TRIAXLE 4 DAYS
640.00
1268 Pre-Pull MEDU3325790
250.00
1248 Truck Waiting & Over Time MEDU3325790 2.38*120
285.60
1244 Drayage Charge MSCU3870551
1,875.00
4083 Chassis MSCU3870551 TRIAXLE 4 DAYS
640.00
1268 Pre-Pull MSCU3870551
250.00
1248 Truck Waiting & Over Time MSCU3870551 3.5*120
420.00";

        string regexPattern = @"(?<LINE_ITEM_CODE>\d{4})\s+(?<LINE_ITEM_DESCRIPTION>.+)\r?\n(?<LINE_ITEM_AMOUNT>\d{1,3}(?:,\d{3})*\.\d{2})";

        foreach (Match match in Regex.Matches(invoiceText, regexPattern))
        {
            string code = match.Groups["LINE_ITEM_CODE"].Value.Trim();
            string description = match.Groups["LINE_ITEM_DESCRIPTION"].Value.Trim();
            string amount = match.Groups["LINE_ITEM_AMOUNT"].Value.Trim();

            Console.WriteLine($"行项代码: {code}");
            Console.WriteLine("描述: " + description);
            Console.WriteLine("金额: " + amount);
            Console.WriteLine("---");
        }
    }
}

额外优化建议 #

• 如果描述中可能存在换行（当前测试文本中没有），可以启用RegexOptions.Singleline让.匹配换行，但需调整逻辑确保只捕获到金额前的内容。
• 可对提取的金额进行格式转换（如去除千分位逗号，转为decimal类型），方便后续计算。

内容的提问来源于stack exchange，提问作者AJ L