本文介绍如何用一条灵活、健壮的正则表达式从多样化格式的文本中精准提取cnpj号码（如 22.111.539/0003-58 或 02886427000164），兼顾含分隔符（-、:、+、,等）及干扰字段（如 -cep:）的复杂场景。
本文介绍如何用一条灵活、健壮的正则表达式从多样化格式的文本中精准提取cnpj号码（如 22.111.539/0003-58 或 02886427000164），兼顾含分隔符（-、:、+、,等）及干扰字段（如 -cep:）的复杂场景。
在处理巴西税务与地址数据时，CNPJ（Cadastro Nacional da Pessoa Jurídica）是关键标识字段，但其在原始文本中常以非结构化方式出现——可能紧随 CNPJ:、TAX ID - CNPJ+ 等前缀，后接斜杠、短横线、逗号或空格；更棘手的是，同一行中还可能混杂 CEP:（邮政编码）等干扰字段（如 CNPJ:02886427000164-CEP:04794-000**）。若简单使用 [ +:,#-]+ 分割，会在 CNPJ:02886427000164-CEP 处错误切分，导致提取出 02886427000164 之后的空段或 CEP 内容。
理想的解决方案是：仅在“不引入后续 CEP 字段”的分隔符处进行分割。这可通过正向先行断言（positive lookahead）配合负向先行断言（negative lookahead）实现：
String regex = "[\r\n +:,#-]+(?=(?:(?!CEP).)*$)";
✅ 正则解析：
- [\r\n +:,#-]+：匹配一个或多个换行符、空格、+、:、,、# 或 -（注意：- 放在字符类末尾以避免被误解析为范围符）；
- (?=(?:(?!CEP).)*$)：关键逻辑——要求该分隔符之后直到行尾（$）的整个剩余字符串中，不出现子串 CEP（即 (?!CEP) 否定匹配 CEP 开头的位置，(?:(?!CEP).)* 表示“逐字符推进，每步都确保不进入 CEP”）。
? 实际应用示例：
String text1 = "TAX ID - CNPJ+22.111.539/0003-58, CONTACT NAME"; String text2 = "CNPJ:02886427000164-CEP:04794-000**"; String[] parts1 = text1.split(regex); String[] parts2 = text2.split(regex); System.out.println(parts1[1]); // 输出: 22.111.539/0003-58 System.out.println(parts2[0]); // 输出: 02886427000164
⚠️ 注意事项：
- 该正则依赖 CEP 的显式拼写与大小写（如 cep 或 Cep 不匹配），生产环境建议统一预处理为大写或使用 (?i)CEP；
- 若文本含多处 CEP（如 CNPJ:XXX-CEP:YYY-CEP:ZZZ），当前逻辑仍能正确识别首个 CEP 前的分隔点；
- 提取结果位置需动态判断：text1 中目标在 parts[1]，而 text2 中在 parts[0]——推荐进一步结合关键词定位（如查找含 / 或 14位数字 的片段）提升鲁棒性；
- Java 中需对反斜杠转义，故 写为 \r\n。
? 进阶建议：
对于高可靠性需求，可改用 Pattern.compile("CNPJ[:+\s]*([\d./-]{11,18})").matcher(text).find() 直接捕获数字/符号组合，绕过分割逻辑，从根本上规避分隔符歧义问题。正则设计应始终服务于语义目标——此处是「定位 CNPJ 值」，而非「机械切分」。
