前面兩篇文介紹了 OCR 圖片辨識與 GPT 文字整理。

由於後續要利用 GPT 返還的文字執行爬蟲，為了避免 GPT 返還的文字不夠精確，若直接拿這些資料進行爬蟲查詢，可能會導致結果不準確，甚至查不到任何商品。

為了解決這個問題，系統利用正則表達式（Regex） 檢查並提取文字中「商品檢驗標識」及「批號」的資訊。
系統要找的有：

1.針對「商品檢驗標識」，找到 M / R / D 任一字母開頭的「字軌」+ 5個數字的組合。若找到 M 開頭的，要進一步搜尋「批號」。
2.針對「批號」，原則上先找「批號:」開頭，後面接的 7 個數字。

實作程式碼如下：

def find_bsmiNum_and_batchNum(ocrText):
    // 定義「商品檢驗標識」的正則表示法：開頭必須是 M / R / D + 數字組合
    // \b ：單字的邊界，避免字母被誤判成其他字串的一部分
    // [MRD] ：必須是 M 或 R 或 D
    // \s* ：M/R/D 後面可以有 0 個或多個空格
    // \d{5} ：後面接的是 5 個數字
    pattern_bsmiNum = r'\b[MRD]\s*\d{5}|\b[MRD]\s*\d[A-Z]\d{3}\b'
    
    // 定義「批號」的正則表示法：優先找「批號:0000000」，找不到就退而求其次找任意7碼數字
    pattern_batchNum = [r'批號\s*[:：]?\s*\d{7}\b', r'\b\d{7}\b']

    // 找「M/R/D字軌」
    bsmiNum_matches = re.findall(pattern_batchNum, ocrText)
    // 取第一個符合的字軌
    bsmiNum = bsmiNum_matches[0] if bsmiNum_matches else False

    batchNum = False
    
    // 若找到的字軌是「M」，才進一步搜尋「批號」
    if bsmiNum and bsmiNum.startswith("M"):
        for pattern in pattern_batchNum:
            batchNum_matches = re.findall(pattern, ocrText)
            
            // 從結果中抽出「連續 7 個數字」
            if batchNum_matches:
                batchNum = re.search(r'\d{7}', batchNum_matches[0]).group()
                break
                
    //回傳結果：商品檢驗標識與批號
    return bsmiNum, batchNum

透過這樣的處理，系統就能將 OCR 與 GPT 整理出的文字，轉換為精準的查詢條件，大幅提高後續爬蟲檢索的成功率，也讓資料治理更有系統性。

更多正則表示法的使用可以參考像是 w3schools 等線上資源。