本文介绍如何使用正则表达式精准提取商品描述文本——即每个 `hs code`（及其变体如 `h.s. code`、`hs.code` 等）**之前紧邻的非空描述片段**，并排除编码部分本身，适用于报关单、发票等非结构化贸易文本解析。
在处理外贸单据（如发票、装箱单）的原始文本时，常需从混杂的字符串中提取每项商品的描述信息，而这些描述通常位于 HS CODE（或其常见变体：H.S. CODE、HS.CODE、H.S CODE 等）之前。难点在于：HS 编码格式多变（含冒号、点、空格、数字/字母混合），且前后无固定分隔符；直接使用贪婪匹配易将前一个 HS 编码后的文本错误纳入当前结果。
✅ 推荐正则方案（通用健壮版）
以下正则表达式可稳定捕获“HS 编码前最后一个非空描述片段”，自动忽略编码本身及前置冗余空白：
import re txt = '''293 PACKAGE(S)x000D PRINTED HEAD ITEM: KA02033-E844 A5 :INVOICE: FIT-2401-01 HS CODE: 84732:100 KNITTED FABRIC H.S CODE: 6006.2:2.00 INV#: TSTEX0124-009 (TC-240021:) WOVEN TWILL CAP HS.CODE: 6505.00:.90 KNITTED FABRIC HS 600410 FABRIC: P57101 (T989, 100% POLYESTER, WIDT:H 152CM) HS CODE : 54075200_x000D_ (*)EMA:IL:[email protected] USCI:913101141:32276439L (**)USCI: Container DRYU9124108: 13 PACKAGE(S), AUTOMATIC TOOTH TURNING MACHINESD-CYJ500-1000 HS CODE:84597010; ''' # 核心正则：匹配以非空白字符开头、非贪婪延伸至 HS 编码标识前的文本 pattern = r'(\S.*?)\s+H\.?S\b\.?(?:\s*CODE)?\s*:?\s*\S+' matches = re.findall(pattern, txt, re.IGNORECASE | re.DOTALL) # 清理首尾空白（因非贪婪匹配可能残留空格） result = [s.strip() for s in matches] print(result)
输出结果：
[ '293 PACKAGE(S)x000D PRINTED HEAD ITEM: KA02033-E844 A5 :INVOICE: FIT-2401-01', 'KNITTED FABRIC', 'WOVEN TWILL CAP', 'KNITTED FABRIC', 'FABRIC: P57101 (T989, 100% POLYESTER, WIDT:H 152CM)', 'Container DRYU9124108: 13 PACKAGE(S), AUTOMATIC TOOTH TURNING MACHINESD-CYJ500-1000' ]
? 正则关键点解析
| 部分 | 说明 |
|---|---|
| (\S.*?) | 捕获组：\S 确保匹配从非空格字符开始（避免匹配纯空白）；.*? 非贪婪匹配任意字符（含换行，因启用 re.DOTALL），直到下一个模式出现 |
| \s+H\.?S\b\.? | 匹配 HS 或 H.S 或 HS. —— \b 保证 S 是单词边界，防止误匹配 HSS 等 |
| (?:\s*CODE)? | 可选非捕获组：CODE 可带任意空格，且整体可省略（兼容 HS 600410） |
| \s*:?\s*\S+ | 匹配可选冒号及后续非空字符（即 HS 编码本体），确保不截断编码 |
⚠️ 注意事项与进阶建议
-
INV#: 特殊场景：若文本中存在类似 INV#: TSTEX0124-009 (TC-240021:) WOVEN TWILL CAP 的结构，且希望跳过 INV#: 及其后两个词再提取 WOVEN TWILL CAP，需显式增强规则：
pattern_advanced = r'(?:INV#:\s*\S+\s+\S+\s+)?(\S.*?)\s+H\.?S\b\.?(?:\s*CODE)?\s*:?\s*\S+'
此模式通过可选前缀 (?:...) 实现“跳过 INV 行头”，但需根据实际数据规律谨慎启用，避免过度特化。
编码后缀干扰：原始文本中 HS CODE : 54075200_x000D_ 含 _x000D_（回车符转义），正则中的 \S+ 已自然覆盖该类字符，无需额外处理。
边界验证建议：对关键业务场景，建议在正则提取后辅以长度/关键词校验（如排除纯数字、过短字符串
✅ 总结
该方案以语义为导向设计正则，兼顾灵活性与准确性：
✅ 支持 HS CODE / H.S. CODE / HS.CODE / H.S CODE / HS 600410 等全部常见变体；
✅ 自动剥离编码本身及前置冗余空格；
✅ 兼容跨行、特殊符号（如 _x000D_）、混合标点；
✅ 可按需扩展特殊前缀跳过逻辑（如 INV#:）。
将其集成至您的文本解析流水线，即可高效结构化非标准贸易文本。
