python - 如何从多行字符串中提取特定信息

Question

我已经从电子邮件正文中提取了一些发票相关信息到 Python 字符串，我的下一个任务是从字符串中提取发票编号。电子邮件的格式可能会有所不同，因此很难从文本中找到发票编号。我还尝试了 SpaCy 的“命名实体识别”，但由于在大多数情况下，发票编号来自标题“发票”或“发票#”的下一行，NER 不理解这种关系并返回不正确的详细信息。

以下是从邮件正文中提取的 2 个文本示例:

示例 - 1.

Dear Customer:
The past due invoices listed below are still pending. This includes the 
following:

Invoice   Date     Purchase Order  Due Date  Balance
8754321   8/17/17  7200016508      9/16/18   140.72
5245344   11/7/17  4500199620      12/7/18   301.54

We would appreciate quick payment of these invoices.

示例 - 2.

Hi - please confirm the status of below two invoices.

Invoice#               Amount               Invoice Date       Due Date          
7651234                $19,579.06          29-Jan-19           28-Apr-19            
9872341                $47,137.20          27-Feb-19           26-Apr-19 

我的问题是，如果我将整个文本转换为单个字符串，那么它就会变成这样:

Invoice   Date     Purchase Order  Due Date  Balance 8754321   8/17/17 
7200016508     9/16/18   140.72

可以看出，发票编号(在本例中为 8754321)改变了位置，不再跟在关键字“发票”之后，这更难找到。

我想要的输出是这样的:

Output Example - 1 - 

8754321
5245344

Output Example - 2 - 

7651234                
9872341        

我不知道如何检索关键字“Invoice”或“Invoice#”下的文本，这是发票编号。

如果需要更多信息，请告诉我。谢谢!!

编辑:发票号没有任何预定义的长度，可以是 7 位或更多。

Answer 1

根据我的评论编写代码。

email = '''Dear Customer:
The past due invoices listed below are still pending. This includes the 
following:

Invoice   Date     Purchase Order  Due Date  Balance
8754321   8/17/17  7200016508      9/16/18   140.72
5245344   11/7/17  4500199620      12/7/18   301.54

We would appreciate quick payment of these invoices.'''

index = -1
# Get first line of table, print line and index of 'Invoice'
for line in email.split('\n'):
    if all(x != x.lower() for x in line.split()) and ('Invoice' in line) and len(line) > 0:
        print('--->', line, ' --- index of Invoice:', line.find('Invoice'))
        index = line.find('Invoice')

使用启发式方法，即列标题行始终为驼峰式或大写字母 (ID)。如果说标题正好是“帐号”，这将失败。而不是“帐号”。

# get all number at a certain index
for line in email.split('\n'):
     words = line[index:].split()
     if words == []: continue
     word = words[0]
     try:
         print(int(word))
     except:
         continue

这里的可靠性取决于数据。所以在我的代码中，发票列必须是表头的第一个。即你不能在“发票”之前有“发票日期”。显然这需要修复。