本文介绍如何基于语法解析技术（而非仅正则匹配）精确定位excel中合同描述文本的格式错误类型及发生位置，支持批量校验数千行数据，并输出可读性强的错误诊断信息。
本文介绍如何基于语法解析技术（而非仅正则匹配）精确定位excel中合同描述文本的格式错误类型及发生位置，支持批量校验数千行数据，并输出可读性强的错误诊断信息。
在合同履约信息自动化校验场景中，仅判断“是否合规”（OK / not OK）远远不够——业务人员真正需要的是可操作的纠错指引：错误是什么？出现在哪个词之后？是空格冗余、标点缺失，还是日期格式错位？传统正则表达式（re.match）虽能做整体匹配，但一旦失败，便无法提供细粒度错误定位。为此，我们应将合同描述视为一种轻量级领域特定语言（DSL），采用语法驱动的解析方法，实现结构化校验与精准报错。
为什么选择语法解析而非增强型正则？
正则表达式擅长“模式存在性判断”，但难以表达顺序依赖、上下文敏感、局部容错等语义。例如：
- № 90/11/122 前必须有空格，但 №90/11/122（紧邻）即为错误；
- VAT exempt. 结尾必须带英文句号，缺则报错，且需指出错误发生在 , VAT exempt 末尾；
- 多余空格（如 10023__Serviced 中的双下划线或双空格）需定位到具体字符偏移。
这些问题用单一正则几乎无法优雅解决；而基于 PEG（Parsing Expression Grammar） 的解析器（如 parsimonious）天然支持：
- 显式定义语法规则与子结构；
- 在解析失败时返回最左侧、最深层的不匹配规则及精确位置（行/列）；
- 支持自定义访问逻辑，便于扩展错误分类与修复建议。
实战：构建可诊断的合同描述解析器
以下是一个生产就绪的解析方案，使用 parsimonious 库（轻量、纯Python、无C依赖）：
from parsimonious.grammar import Grammar
from parsimonious.nodes import NodeVisitor
from parsimonious.exceptions import ParseError
import re
# 定义严格但可诊断的语法规则（注意：ws 规则显式捕获空格，便于定位）
GRAMMAR = Grammar(r"""
entry = prefix ws object_no ws serviced ws date ws fulfilment ws obligation_no ws dated ws date ws vat
prefix = "Object №"
serviced = "Serviced"
fulfilment = "Fulfilment of obligations under agr. №"
dated = "dated"
vat = ", VAT exempt\."
object_no = ~r"d+"
date = ~r"(0[1-9]|[12][0-9]|3[01]).(0[1-9]|1[0-2]).(20dd)"
obligation_no = ~r"d+/d+/d+"
ws = ~r"s+" # 匹配一个或多个空白符（含空格、制表符），关键：此处可捕获多余空格
""")
class ContractParser(NodeVisitor):
def __init__(self):
self.errors = []
def visit_entry(self, node, visited_children):
return "OK"
def generic_visit(self, node, visited_children):
return visited_children or node
def diagnose_contract(text: str) -> str:
"""对单条合同描述进行诊断，返回错误详情或'OK'"""
parser = ContractParser()
try:
_ = GRAMMAR.parse(text)
return "OK"
except ParseError as e:
# 提取关键错误信息：失败规则名 + 文本位置
rule_name = e.expr.name if e.expr.name else "unknown"
line, col = e.line(), e.column()
# 尝试从上下文推断更友好的错误描述
if rule_name == "ws":
# 检查附近是否有多余空格或缺失空格
context_start = max(0, e.pos - 10)
context_end = min(len(text), e.pos + 15)
context = text[context_start:context_end]
if " " in context or "__" in context:
return f"多余空格（位于'{context.strip()}'附近）"
else:
return f"缺失必要空格（期望分隔符，但在'{context.strip()}'处未匹配）"
elif rule_name == "vat":
if text.rstrip().endswith(", VAT exempt"):
return "结尾缺少英文句号（.）"
else:
return f"VAT声明格式错误（期望', VAT exempt.'，实际未匹配）"
elif rule_name == "object_no":
return "合同编号应为纯数字，发现非数字字符"
elif rule_name == "date":
return "日期格式错误（应为 dd.mm.yyyy，如 30.11.2023）"
else:
return f"语法错误：{rule_name} 规则不匹配（位置：第{line}行，第{col}列）"
# 批量应用到DataFrame
import pandas as pd
df['text_verification'] = df['original information'].apply(diagnose_contract)关键优势与注意事项
✅ 精准定位：ParseError 自带 line() 和 column() 方法，可直接映射到原始字符串索引，无需手动计算偏移。
✅ 可扩展性强：新增校验项（如校验 Object 后必须跟空格、禁止全角符号）只需修改语法规则或 visit_* 方法。
✅ 错误友好：通过 diagnose_contract() 函数封装，将底层解析异常转化为业务人员可理解的语言（如“多余空格”“缺句号”）。
⚠️ 注意事项：
- 首次运行需安装：pip install parsimonious；
- 语法规则中的 ws = ~r"s+" 是关键——它强制所有分隔符必须是一个或多个空白符，从而让双空格、制表符等异常被明确捕获；
- 实际部署前，务必用真实样本覆盖边界情况（如年份超限 2100、日期无效 31.02.2023），可在 date 规则中加入 Python 层校验；
- 对于超大数据集（>10万行），建议结合 concurrent.futures.ThreadPoolExecutor 并行处理，提升吞吐量。
通过将文本校验升维为语法解析，你不仅获得了错误“在哪里”，更掌握了“为什么错”和“怎么改”。这正是自动化数据治理迈向精细化、可解释性的关键一步。
