本文介绍如何设计一个兼顾多种格式的正则表达式，精准提取字符串中的cnpj号码（如22.111.539/0003-58或02886427000164），尤其解决含干扰字段（如-cep:）时的误分割问题。
本文介绍如何设计一个兼顾多种格式的正则表达式，精准提取字符串中的cnpj号码（如22.111.539/0003-58或02886427000164），尤其解决含干扰字段（如-cep:）时的误分割问题。
在处理巴西企业信息文本时，CNPJ（Cadastro Nacional da Pessoa Jurídica）是关键标识符，但其在原始数据中常以不同格式嵌入：可能紧跟在CNPJ+、CNPJ:之后，也可能被空格、冒号、逗号、连字符或斜杠等符号包围；更复杂的是，同一行中还可能出现形如-CEP:的干扰子串——若简单用[-+:,#s]+分割，极易将CNPJ:02886427000164-CEP:错误切分为["CNPJ", "02886427000164", "CEP:"]，导致目标值丢失。
理想的解决方案不是“暴力分割后取某索引”，而是定位CNPJ值本身。推荐使用以下正则表达式进行精准捕获（而非仅分割）：
String pattern = "CNPJ[:+\s]*([\d./-]+)(?=(?:[^C]|C(?!EP:))*$)";
但若坚持使用 split() 且需兼容两种输入，原答案提供的前瞻断言思路值得优化升级。其核心思想是：仅在不导致后续出现CEP:的前提下，才将分隔符视为有效切点。改进后的健壮正则如下：
String regex = "[\r\n +:,#-]+(?!(?:(?!CEP:).)*CEP:)"; // 更清晰的否定逻辑
然而，实际更推荐采用 Pattern.compile().matcher().find() + 捕获组 的方式，语义明确、容错性强：
import java.util.regex.Pattern;
import java.util.regex.Matcher;
public class CNPJExtractor {
// 匹配 CNPJ 格式：14位数字（可含 . / - 分隔符），且前面紧邻 CNPJ: 或 CNPJ+
private static final String CNPJ_PATTERN = "CNPJ[:+]\s*([\d]{2}[\.\d]{3}[\.\d]{3}[\/\d]{4}[-\d]{2}|[\d]{14})";
public static String extractCNPJ(String text) {
Pattern p = Pattern.compile(CNPJ_PATTERN);
Matcher m = p.matcher(text);
return m.find() ? m.group(1).replaceAll("[^\d]", "") : null; // 返回纯数字格式（可选）
}
public static void main(String[] args) {
String text1 = "TAX ID - CNPJ+22.111.539/0003-58, CONTACT NAME";
String text2 = "CNPJ:02886427000164-CEP:04794-000**";
System.out.println(extractCNPJ(text1)); // 输出: 22111539000358
System.out.println(extractCNPJ(text2)); // 输出: 02886427000164
}
}
✅ 关键优势说明：
- 使用 CNPJ[:+] 锚定起始位置，避免匹配到其他数字串；
- ([\d]{2}[\.\d]{3}[\.\d]{3}[\/\d]{4}[-\d]{2}|[\d]{14}) 覆盖带分隔符与无分隔符两种标准CNPJ写法；
- replaceAll("[^\d]", "") 统一输出为14位纯数字，便于校验或存储；
- 完全规避 -CEP: 干扰——因匹配依赖 CNPJ 前缀，而非盲目分割。
⚠️ 注意事项：
- 不要依赖 split() 后的数组索引（如 parts[1]），因不同输入结构会导致目标值位置不固定；
- 若业务允许，优先验证CNPJ校验码（最后两位），增强数据可靠性；
- 在真实日志或OCR文本中，建议先做基础清洗（如去重空格、替换全角标点）再匹配。
综上，面向业务实体的正则提取，应以“语义锚定 + 精确捕获”代替“无上下文分割”。这不仅提升准确性，也显著增强代码可维护性与抗格式变化能力。
