正则表达式，可以处理可怕的拼写错误的单词

Question

有没有办法创建一个正则表达式，以确保在给定的字符范围内按顺序存在八个字符中的五个（例如20个字符）？

我正在处理可怕的OCR /扫描，我可以忍受误报。

有办法做到这一点吗？

更新：我希望将“mshpeln”匹配为misspelling。我不想做OCR。 OCR工作已经完成，但是做得很差（即最初说misspelling，但OCR的副本读取“mshpeln”）。我不知道我将要与之匹配的文本是什么（即我不知道它是“mshpeln”它可能是“mispel”或任何其他组合）。

我不是试图将它用作拼写检查程序，而只是找到捕获组的结尾。顺便说一句，我目前无法获取all.css文件，因此暂时无法进行评论。

Answer 1

我认为你不需要正则表达式，而是包含所有有效单词和soundex()和/或levenshtein()等函数的创造性使用的数据库。

您可以这样做：创建包含所有有效单词（词典）的表格，并使用word和snd（计算为soundex(word)）等列填充它，为word和snd列创建索引。 例如，对于单词mispeling，您可以将snd填充为M214。如果您使用SQLite，则它有soundex() implemented by default。

现在，当您收到新的错误字词时，请为其计算soundex()并在索引表中查找。例如，对于单词mshpeln，它将是soundex('mshpeln') = M214。你走了，这样你就能找回正确的词。

但这看起来不像正则表达式 - 对不起。

Answer 2

老实说，我认为像这样的项目对于真正的人来说会更好，而不是计算机。如果项目对于1或2人来说很容易做，那么你可能想看看亚马逊的机械土耳其人，你可以将其外包给每个解决方案的便士工作。

Answer 3

使用正则表达式无法做到这一点，但可以使用自定义算法完成。

例如，要在您的正文中找到类似“拼写错误”的字词：

1）预处理。创建一个Set（在数学意义上，保证是唯一元素的集合），其中包含拼写错误的所有唯一字母 - {e, i, g, l, m, n, p, s}

2）将文本正文拆分为单词。

3）对于每个单词，创建一个包含所有独特字母的Set。然后，在此集合上执行集合交集的操作以及您要匹配的单词集合 - 这将获得两个集合包含的字母。如果此组中剩下5个或更多字符，则此处可能匹配。

如果OCR可以添加错误的空格，那么一次考虑两个单词而不是单个单词。等等根据您的要求而定。

Answer 4

我没有解决这个问题的办法，事实上，这恰恰相反。

由于以下两个原因，纠正OCR错误不是程序化的：

1. 您无法量化OCR算法所产生的错误，因为它可以介于0到100％之间

2. 要应用更正，您需要知道最大错误可能是什么，以便设置可接受的级别。

让 nello world 成为“hello world”的第一个猜测，这非常相似。然后，使用另一种用“痛苦的”黄色或其他东西写的字体，对于同一表达式，第二次猜测是 noiio verio 。如果能够更好地识别出这个词，那该计算机应该怎么知道？

否则，鉴于预定的错误，mvp的解决方案在我看来似乎是最好的。

---

更新：

在挖掘了一点后，我找到了一个可能相关的参考：String similarity measures