Question

我正在尝试清除劣质OCR读取的结果，试图删除我可以安全地认为是错误的所有内容。

所需的结果是一个6位数字字符串，因此我可以排除结果中不是数字的任何字符。我也知道这些数字是按顺序出现的，所以任何不按顺序的数字也很可能是不正确的。

（是的，确定质量是最好的，但没有......他们不会/不能改变他们的文件）

我立即Trim()删除空白区域，因为这些文件名最终会删除所有非法字符。

我发现哪些字符是数字，并将它们添加到字典中，而不是找到它们所在的数组位置。这让我清楚地看到了数字序列，但我正在努力解决如何让我的程序识别这个问题的逻辑。

使用字符串“ Oct'，2 $ 3622 ”进行测试（实际不良读取）理想的输出是“ 3662 ” Obvious to Humans

    public String FindLongest(string OcrText)
    {
        try
        {
            Char[] text = OcrText.ToCharArray();
            List<char> numbers = new List<char>();

            Dictionary<int, char> consec = new Dictionary<int, char>();

            for (int a = 0; a < text.Length; a++)
            {
                if (Char.IsDigit(text[a]))
                {
                    consec.Add(a, text[a]);

                    // Won't allow duplicates?
                    //consec.Add(text[a].ToString(), true);
                }
            }

            foreach (var item in consec.Keys)
            {
                #region Idea that didn't work
                // Combine values with consecutive keys into new list
                // With most consecutive?
                for (int i = 0; i < consec.Count; i++)
                {
                    // if index key doesn't match loop, value was not consecutive
                    // Ah... falsely assuming it will start at 1. Won't work.
                    if (item == i)
                        numbers.Add(consec[item]);
                    else
                        numbers.Add(Convert.ToChar("#")); //string split value
                }
                #endregion
            }

            return null;
        }
        catch (Exception ex)
        {
            string message;

            if (ex.InnerException != null)
                message =
                    "Exception: " + ex.Message +
                    "\r\n" +
                    "Inner: " + ex.InnerException.Message;
            else
                message = "Exception: " + ex.Message;
            MessageBox.Show(message);

            return null;
        }
    }

Answer 1

获取最长数字序列的快速而肮脏的方法是使用这样的正则表达式：

var t = "sfas234sdfsdf55323sdfasdf23";

var longest = Regex.Matches(t, @"\d+").Cast<Match>().OrderByDescending(m => m.Length).First();

Console.WriteLine(longest);

这实际上会获得所有序列，显然你可以使用LINQ来选择最长的序列。

这不处理相同长度的多个序列。

Answer 2

所以你只需找到最长的＃序列？为什么不使用正则表达式？

  Regex reg = new Regex("\d+");
  Matches mc = reg.Matches(input);
  foreach (Match mt in mc)
  {
     // mt.Groups[0].Value.Length is the len of the sequence
     // just find the longest
  }

只是一个想法。

Answer 3

由于您严格要求数字匹配，我建议您使用与(\d+)匹配的正则表达式。

MatchCollection matches = Regex.Matches(input, @"(\d+)");
string longest = string.Empty;
foreach (Match match in matches) {
    if (match.Success) {
        if (match.Value.Length > longest.Length) longest = match.Value;
    }
}

这将为您提供最长的数字。如果你想实际比较值（这也适用于＆＃34;最长的长度＆＃34;，但可以解决相同长度匹配的问题）：

MatchCollection matches = Regex.Matches(input, @"(\d+)");
int biggest = 0;
foreach (Match match in matches) {
    if (match.Success) {
        int current = 0;
        int.TryParse(match.Value, out current);
        if (current > biggest) biggest = current;
    }
}

Answer 4

var split = Regex.Split(OcrText, @"\D+").ToList();

var longest = (from s in split
               orderby s.Length descending
               select s).FirstOrDefault();

我建议使用Regex.Split，使用\ D（代码中的@“\ D +”）查找所有不是数字的字符。然后我会执行Linq查询以找到.Length的最长字符串。

正如您所看到的，它既简单又易读。

找到字符串中最长的数字序列

4 个答案: