如何从文本文件中灵活提取结构化字段（如订单号、客户号等）-Python教程-PHP中文网

如何从文本文件中灵活提取结构化字段（如订单号、客户号等）

本文介绍使用 python 正则表达式与键值映射字典，从格式不统一的纯文本文件中稳健提取关键业务字段（如客户号、发票号、订单日期等），支持多变关键词匹配与跨行内容捕获。

本文介绍使用 python 正则表达式与键值映射字典，从格式不统一的纯文本文件中稳健提取关键业务字段（如客户号、发票号、订单日期等），支持多变关键词匹配与跨行内容捕获。

在处理来自不同系统或人工录入的文本票据、发票或日志文件时，常见问题是：关键信息（如“Customer Nr.”、“Inv. Number:”、“Order date”）的表述形式多样、位置不固定、前后空格/标点不一致，甚至跨行出现。硬编码逐行解析极易失效。一个健壮的解决方案是构建语义映射字典 + 正则动态匹配的组合策略。

核心思路是：将业务语义（如 'Customer Number'）作为统一键，其所有可能的原始文本变体（如 'customer number', 'cus. nr.', 'Customer Nr.'）作为该键对应的正则候选模式；对每段文本，依次尝试各变体的模糊匹配，捕获其后紧跟的值内容。

以下是完整可运行的实现：

import re

# 定义语义键与其所有常见文本变体（支持大小写不敏感匹配）
values_dict = {
    'Customer Number': ['Customer Nr.', 'customer number', 'cus. nr.', 'Customer Number', 'Kundennummer'],
    'Order Number': ['Order number.', 'Order nr', 'order number', 'Order Number', 'Bestellnummer', 'Order #'],
    'Invoice Number': ['Invoice Nr.', 'Inv. Number:', 'invoice number', 'Invoice Number', 'Rechnungsnummer', 'INV #'],
    'Order Date': ['Order Date', 'Bestelldatum', 'Order date:', 'Datum'],
    'Company Information': ['Company Name', 'Firmenname', 'Company:', 'Lieferadresse'],
    'Invoice Company Information': ['Invoice Adress Company Name', 'Rechnungsadresse', 'Billing Address']
}

def extract_information(text: str, pattern_map: dict) -> dict:
    """
    从输入文本中提取指定语义字段的值
    支持冒号、空格分隔，自动去除首尾空白，并优先匹配首个有效变体
    """
    results = {}
    # 预编译正则以提升性能（尤其处理大量文件时）
    for key, variations in pattern_map.items():
        for variation in variations:
            # 构建鲁棒模式：匹配关键词（可选后跟 : 或空格），后接非换行符内容（贪婪捕获）
            pattern = rf"{re.escape(variation)}\s*[:\.]?\s*(.+?)(?=\n|$)"
            match = re.search(pattern, text, re.IGNORECASE | re.DOTALL)
            if match:
                # 清理捕获值：去首尾空格，合并内部多余空白
                value = re.sub(r'\s+', ' ', match.group(1).strip())
                results[key] = value
                break  # 找到第一个匹配即停止，避免同义词重复覆盖
    return results

# 示例文本（模拟真实多行混排的票据内容）
sample_text = """Company Name GmbH, Teststraße 24 , 01000 Sampleort 
Customer Nr. 11111111 
Invoice Nr. 22222

Invoice Adress Company Name 2 mbH, Test2straße 11, 01001 Sample2ort
Order number. 555555 
Order Date 01.01.1999"""

# 执行提取
extracted = extract_information(sample_text, values_dict)

# 格式化输出（按需求顺序打印）
output_order = ['Company Information', 'Invoice Company Information', 
                'Customer Number', 'Order Number', 'Invoice Number', 'Order Date']
for field in output_order:
    if field in extracted:
        print(f"{field}: {extracted[field]}")

运行结果示例：

Company Information: Company Name GmbH, Teststraße 24 , 01000 Sampleort  
Invoice Company Information: Company Name 2 mbH, Test2straße 11, 01001 Sample2ort  
Customer Number: 11111111  
Order Number: 555555  
Invoice Number: 22222  
Order Date: 01.01.1999

关键优化与注意事项：