Question

我正在使用OCR包从文档中提取货币金额值。偶尔小数点将被错误地OCR＆d;作为逗号。该软件可以进行字符替换，开箱即用，但我不能只替换所有＆＃39;＆＃39;用＆＃39;。＆＃39;因为＆＃34;千位逗号＆＃34;。该软件允许编写客户脚本，以便以各种语言验证和更正值。我正在使用C＃。我已经尝试过各种方法来实现这一点，从子字符串替换到正则表达式替换，再到Double.Parse，全球化和数字样式等等。你们都建议实现以下所有转换？

12.345,67 ->  12345.67
12345.67  ->  12345.67 (no change)
12,345.67 ->  12345.67
1,234.56  ->  1234.56
1.234.56  ->  1234.56
1.234,56  ->  1234.56
123,45    ->  123.45
123.45    ->  123.45 (no change) 
1234      ->  1234.00
1,234     ->  1234.00
123       ->  123.00

编辑。根据提出的问题添加了更多示例。注意：价值将以美元和美分计算。无需处理＆＃34;十分之一＆＃34;。 OCR的值将有两位或零位。

Answer 1

我会做2次替换和简单的检查，我不熟悉C＃但是Javascript会是：

var newVal = value.replace(/[,.](?=\d{3,})/g, '').replace(',', '.');
if (newVal.indexOf('.')==-1)
  newVal = newVal + '.00';

您提供的示例是否涵盖了所有可能的情况？或者你处理的是超过2位小数，1位小数，需要额外的0，如123,4 -> 123.40？

修改已更改，1.234.567,89将显示为1234567.89，这假设货币不允许超过{{1}} 2位小数。这在日常生活中是正常的，但有些情况下，那些十分之一的分数很重要（股票市场，利率）。因此，根据用例，您可能需要更加彻底地确定哪个是小数点或1000分隔符。

正在使用 JSFiddle

Answer 2

我最好的想法：

在每一行使用此正则表达式(?:[.,]?)(\d+)，然后处理捕获组正常的时间。

如果一次：添加.00
如果两次：用点
如果更多：加入除了最后一个之外的所有内容并使用。

我不熟悉C＃以提供代码示例，但如果真的需要可以进行搜索。

Answer 3

OCR后清理是一项艰巨的工作。无论你做什么，你最终都会出错，所以绝对有必要进行人工检查。我的建议

尝试以更高的DPI扫描，300是旧标准，我更喜欢400。
使用图像处理工具包清除图像。如果可以，请尝试TMSSequoia，它们是荒谬的好。
我不知道您使用的是哪种引擎，但大多数引擎都会为您估算每个角色的正确性。使用此信息
许多引擎为不同的识别块提供语言/字符集设置。如果您知道它们的位置，请尝试使用英语（美国）/数字。我曾经用它来阅读传真文件中的土耳其财务数据。
首先清除明显（Oo - > 0，l - > 1）
然后清除有问题（B - > 13，L - > 1。）
然后通过查看样品来尝试清洁。

Answer 4

如果您更喜欢单个正则表达式，这个小怪物可能会做到这一点：

^
   (?:
      (?:
         (\d{1,3})
         (?: [.,] (\d{3}) )?
         (?: [.,] (\d{3}) )?
         (?: [.,] (\d{3}) )?
      )
      |
      (\d+)
   )
   (?:
      [.,] (\d\d)
   )?
$

替换为\1\2\3\4\5.\6。

Demo

请注意，它只处理最高$999.999.999.999,99的金额，如果您为政府工作，可以随意添加更多[.,]组）。

Answer 5

我最终做了很长的路。我不会称之为不优雅，但它比我想要的要长。

StringBuilder sb = new StringBuilder(strTotalIncGST);
if (strTotalIncGST.Length > 3)
{
    int decPos = strTotalIncGST.Length - 3;
    if (sb[decPos] == ',')
    {
        sb.Remove(decPos, 1);
        sb.Insert(decPos, ".");
    }
}
if (strTotalIncGST.Length > 7)
{
    int thouPos = strTotalIncGST.Length - 7;
    if (sb[thouPos] == '.' || sb[thouPos] == ',')
    {
        sb.Remove(thouPos, 1);
    }
}

然后使用double.TryParse()转换为double，然后使用.ToString("F2")返回字符串，以格式化为两位小数。

OCR数字格式校正和转换

5 个答案: