Python正则提取发票条目遇描述含连字符匹配失效问题求解

问题根因 #

原正则匹配失败、加连字符后跨条目误匹配的核心原因有两个：

• 描述段匹配用的固定字符集[\w\s\r\n®.,]未收录连字符-，碰到描述里的-会直接匹配中断
• 正则默认采用贪婪匹配逻辑，直接追加连字符规则后，匹配逻辑会尽可能向后吞入最长的可能内容，越过单条条目边界抓到其他条目的零件号，触发误匹配

优化后代码 #

Python环境使用时需开启多行模式、单行（点号匹配所有字符包括换行）模式，参考代码：

import re

invoice_pattern = re.compile(
    r'^(\d+\sx) .*? (\d{3}-\d[A-Z]\d+(?:-AB)?)\b',
    flags=re.M | re.S
)

规则逻辑说明 #

• 把原来枚举所有允许字符的[\w\s\r\n®.,]*替换为.*?非贪婪匹配：从行首的数量标识（N x格式）开始向后扫描，遇到第一个符合零件号格式的内容就立刻停止匹配，不会跨条目向后吞内容，从根源解决跨条目误匹配问题
• 零件号段把原来的捕获组(-AB)?改成非捕获组(?:-AB)?，避免输出多余的分组捕获结果；结尾加\b单词边界，确保拿到的是完整零件号，不会出现半截匹配的问题
• 该写法不需要提前枚举商品描述里可能出现的所有特殊字符，不管是连字符、注册商标标识、各类标点、中间穿插的价格行内容都能自动适配，后续商品描述新增其他特殊符号也不需要频繁修改正则规则

验证结果 #

用提供的测试样例运行，三个条目均可准确命中：

• 第一条：提取数量1 x，对应零件号012-3A45
• 第二条（描述含连字符）：提取数量1 x，对应零件号201-5G95
• 第三条：提取数量2 x，对应零件号001-8Q147-AB

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