模式（正则表达式）与找到的值之间的相似性

Question

我有一个包含文字信息的图片，并且：

1. 我从中提取/裁剪一个小图片
2. 我正在使用OCR从小图片中提取文字
3. 检查提取的值是否与模式（浮点数，日期...）匹配（如果是）
4. 我将值存储在数据库中

问题是：有时 ocr 会提取一个带有一些符号的值，因此它与模式示例不匹配：对于模式日期我有：< / p>

pattern = "(0[1-9]|[12][0-9]|3[01])/(0[1-9]|1[012])/(19|20)\d\d"

图片中的值是

12/02/2014

但是OCR提取了：

12? /02 -2014

我希望得到模式与提取的值之间的相似性（最近对其进行处理）有没有办法在不改变模式的情况下做到这一点？

Answer 1

特定的正则表达式不能用于匹配具有歧义的模式，而不进行允许这种歧义的修改。例如，如果您希望允许在匹配的字符串的任意位置插入额外的字符，则正则表达式模式需要具有多个这些任意字符的规定。这使得模式很快变得丑陋：例如，匹配int的模式非常简单，

\\d+

允许其间非数字的相同模式如下所示：

(\\d\\D*)+

随着模式变大，这变得更加丑陋和丑陋，所以这种方法不是很好。

我建议使用实现Levenshtein distance变体的算法替换基于模式的匹配。

原始的Levenshtein距离算法需要两个字符串，并返回需要对一个字符串进行修改的次数才能获得另一个字符串。你的算法应该采用字符串和模式。模式应该使用某种数字指示符（例如，#）并将所有其他字符＆＃34;字面上的＆＃34;视为字符串字符。您可以修改算法中使用的指标函数，在发送#和任何数字时返回零，否则1。 / p>

看一下两个矩阵行的实现，它是最节省空间的。指标功能在此行上实现：

var cost = (s[i] == t[j]) ? 0 : 1;

将其更改为

int cost = (s[i] == t[j] || (Character.isDigit(s[i]) && t[j] == '#')) ? 0 : 1;

允许你匹配＆＃34;数字。在进行匹配之前，您的代码也可以从字符串中删除所有空格。

您可以通过检查Levenshtein距离来决定比赛的质量。零距离表示完美匹配;对于短图案，一两个距离非常有用;五个或更多的距离可能是不可接受的。