如何用Ruby从发票文本中正确提取INVOICE #对应的发票号

问题根因 #

原有提取逻辑和当前发票文本的排版结构不匹配，直接导致取数错误：

• 源文本中INVOICE #是表头行的第一个字段，同一行后续依次排列DATE、TOTAL DUE、DUE DATE等其他表头名称
• 原逻辑匹配到INVOICE #关键词后，直接切分取后方内容的第一个非空片段，拿到的自然是同属表头的DATE，和预期结果不符
• 实际发票号31104不在表头所在行，位于表头行下一行最左侧位置，属于跨行列固定排版结构，原有逻辑完全未覆盖该场景。

适配当前场景的稳定提取代码 #

def extract_invoice_no(msgBody)
  # 忽略大小写匹配各类INVOICE #写法，兼容空格、符号差异
  invoice_header_regex = /INVOICE\s*#/i
  header_match = msgBody.match(invoice_header_regex)
  return '' unless header_match

  # 定位到表头之后的内容，跳过空行找到下一个有效行
  content_after_header = msgBody[header_match.end..]
  next_valid_line = content_after_header.lines.map(&:strip).reject(&:empty?).first
  return '' unless next_valid_line

  # 取该行最左侧的第一个连续片段，即为对应位置的发票号
  next_valid_line.split(/\s+/).first
end

运行效果 #

对给定的发票源文本调用该方法，将稳定返回31104，不会错取到表头字段DATE。

兼容多场景的增强版提取逻辑 #

如果需要适配更多不同排版的发票（比如部分发票为关键词后同一行直接跟值，部分为跨行列排版），可使用兼容写法：

def extract_invoice_no(msgBody)
  # 统一匹配所有常见的发票号标识，忽略大小写、写法差异
  pattern = /(invoice\s*#|invoice\s*number|invoice\s*no|invoicenumber)/i
  match_res = msgBody.match(pattern)
  return '' unless match_res

  content_after = msgBody[match_res.end..]
  content_blocks = content_after.split(/\s+/).reject(&:empty?)
  # 过滤掉明显的表头字段，第一个有效业务值即为发票号
  invalid_headers = %w[date total due terms enclosed balance]
  content_blocks.reject{ |block| invalid_headers.include?(block.downcase) }.first
end

该写法同时兼容原代码适配的「关键词后紧跟值」的老式文本结构，也能正确解析当前多列表头排版的发票内容。

内容的提问来源于stack exchange，提问作者Naresh Kumar P