3. 规则引擎基础：正则表达式语法回顾、常用模式匹配、在合同抽取中的典型应用

在采购合同条款抽取的实战中，规则引擎是构建“硬规则”的基石。正则表达式（Regular Expression, Regex）作为规则引擎的核心表达语言，能够以极高的效率从非结构化文本中定位、提取和校验特定模式。本章将系统回顾正则表达式的核心语法，展示其在合同文本中的常用匹配模式，并剖析其在条款抽取中的典型应用场景。

3.1 正则表达式核心语法速查

正则表达式由普通字符（如字母、数字）和元字符（如 .、*、+）组成。下表列出了在合同抽取中最常用的元字符及其含义：

3.2 合同抽取中的常用模式匹配

采购合同文本具有高度结构化的特征，常见的抽取目标包括条款编号、金额、日期、当事人名称、关键动词等。以下列举了针对这些目标的典型正则表达式模式：

• 条款编号匹配： 第[一二三四五六七八九十百千\d]+[条款] —— 可匹配“第一条”、“第1条”、“第十二款”等。
• 金额与数字匹配： [\d,]+(\.\d{1,2})?[万]?[元] —— 可匹配“100,000.00元”、“50万元”等。
• 日期匹配： \d{4}[-年]\d{1,2}[-月]\d{1,2}[日]? —— 可匹配“2024-12-31”、“2024年12月31日”等。
• 当事人名称匹配： (甲方|乙方|丙方|采购方|供应方) —— 直接匹配合同主体。
• 关键动词匹配： (应|应当|必须|不得|有权|可以) —— 用于识别义务性、禁止性或授权性条款。

“采购方应于收到货物并验收合格后30个工作日内，向供应方支付合同总价的95%。”

3.3 正则表达式在合同抽取中的典型应用

在基于规则的抽取流程中，正则表达式通常用于以下三个核心环节：

1. 文本预处理与清洗： 去除多余空白、统一标点符号（如将全角逗号替换为半角）、移除页眉页脚等干扰信息。
2. 关键信息定位与提取： 通过编写精确的模式，从段落中定位并捕获条款编号、金额、日期、当事人等结构化字段。
3. 上下文边界界定： 利用正则表达式定义条款的起始和结束边界，为后续的段落分割或深度学习模型提供精确的输入片段。

下图展示了正则表达式在合同条款抽取流水线中的典型位置与作用：

3.4 规则引擎的架构与执行流程

一个典型的基于正则表达式的规则引擎，其内部架构通常包含规则库、匹配器、上下文管理器和结果收集器四个核心模块。下图展示了各模块之间的协作关系：

3.5 实战：构建一个简单的条款抽取规则

假设我们需要从采购合同中抽取“付款条件”条款。一个典型的规则构建步骤如下：

1. 定义触发词： 使用正则 (付款|支付|结算) 定位包含付款相关内容的段落。
2. 定义金额模式： 使用 (\d+[万]?[元]?[整]?) 捕获具体金额。
3. 定义时间模式： 使用 (\d+[个]?[工作]?[日|月|年]) 捕获付款期限。
4. 组合与输出： 将匹配到的金额和时间组合成结构化字段。

# Python 示例：使用正则抽取付款条件
import re

text = "甲方应于收到发票后15个工作日内，向乙方支付合同总价的90%，即450,000元。"

# 定义规则
pattern = r"(?P<trigger>支付|付款).*?(?P<amount>[\d,]+[元]?).*?(?P<period>\d+[个]?[工作]?[日|月|年])"

match = re.search(pattern, text)
if match:
    print(f"触发词: {match.group('trigger')}")
    print(f"金额: {match.group('amount')}")
    print(f"期限: {match.group('period')}")

输出结果：

触发词: 支付
金额: 450,000元
期限: 15个工作日