干货：正则表达式的另一种应用

横竖双版式批号正则：稳健匹配的取舍

现实：同一批 pdf，版式不一样

我们处理的 PDF 有横版有竖版，批号的写法也不同：

• 横版：9471A-5 这样，字母数字混。
• 竖版：可能是数字开头、带横线和字母，比如 1A-2。

写一个正则想把两种情况都吃下，往往顾此失彼。第一性原理：把不同版式拆成不同正则，先横后竖逐个试，提高鲁棒性。

我们project的定义（process_pdf.py）

PATTERN_HORIZONTAL = re.compile(r"([A-Z0-9]{8,})", re.A)   # 横版：8位长的字母数字
PATTERN_VERTICAL   = re.compile(r"(\d+[A-Z]-?\d+)", re.A)    # 竖版：数字+字母-数字

提取时先试横版再试竖版：

def extract_identifier(page_text):
    m = PATTERN_HORIZONTAL.search(page_text or "")
    if m:
        return m.group(1)
    m = PATTERN_VERTICAL.search(page_text or "")
    return m.group(1) if m else None

稳定性 vs 精确性的取舍

正则的坑在于过度精确会脆，过度宽松会误判。我们的取舍：

• 横版用"8 位以上字母数字"，宁可宽松一点，保证不漏；误判概率低，因为批号一般够长。
• 竖版用"数字开头 + 字母 + 可选横线"，精确匹配竖版特征。

两个都写，只要一个命中就认定，命中不了返回 None，由上层决定归属。这种"宽松 + 多模式 fallback"在识别场景里比抠到极致的单正则可靠得多。

改一句话的教训

上次为了修母锭号，我把批号提取正从 [A-Za-z0-9]+（只取第一段）改成 [A-Za-z0-9]+(?:-[A-Za-z0-9]+)?（保留前两段），从 9471A 变 9471A-5。这就是在调"识别到什么粒度"的边界。

正则识别，关键是先想清楚你要哪段、容错多少，再动手，别一把梭。

---

转载自 CSDN-专业IT技术社区

原文链接：https://blog.csdn.net/caixuwen/article/details/166081852