Question

我有一个代码，用于使用正则表达式从文本中提取日期（格式= mm-dd-yyyy）。

注意：使用帐单图像上的OCR获取文本。因此，预期的日期格式是mm-dd-yyyy，但它可以是使用OCR获得的任何随机文本。

import re
date_reg_exp = re.compile('\d{2}[-/.]\d{2}[-/.]\d{4}') #works for mm-dd-yyyy
matches_list=date_reg_exp.findall(test_str)
for match in matches_list2:
  print match

如果我有一个字符串'This is a text extracted from OCR 09-11-2015'，则上述代码有效，并将日期作为输出结果'09-11-2015'。但是，如果我有一个字符串'This is o text extractud fram OCR 09-11-201 5'或'This is o text xtractud fram OCR 09-11-201'或'This is o text xtractud fram OCR O9-11-201'，则会失败。如何为这样的场景编写代码，它也会选择最接近的匹配。

Answer 1

有几种方法可以实现与正则表达式的近似匹配。最“理论上直截了当”的方法很可能要求您对正则表达式edit-distance执行dynamic programming - DFA计算。

这是一个相当棘手的代码算法，它没有太多的实现。最着名的是Agrep（从技术上讲，agrep工具实现了几种算法，但最常见的是模糊正则表达式匹配）。

使用此关键字进行简短的Google搜索会显示this library，它似乎具有Python绑定，可能正是您所需要的。

Answer 2

尝试 -

O?\d{1,2}[-/\.]\d{2}[-/\.][\d\s]{2,}

如下 -

>>>import re
>>>s = """If I have a string 'This is a text extracted from OCR 09-11-2015' the above code works and results the Date as output '09-11-2015'. But, if I have a string 'This is o text extractud fram OCR 09-11-201 5' or 'This is o text xtractud fram OCR 09-11-201' or 'This is o text xtractud fram OCR O9-11-201' it fails. How to I write a code for such scenario where it also picks up the nearest match."""
>>>re.findall(r'O?\d{1,2}[-/\.]\d{2}[-/\.][\d\s]{2,}',s)
>>>['09-11-2015', '09-11-2015', '09-11-201 5', '09-11-201', 'O9-11-201']

然后尝试将所有O替换为0。

>>>[i.replace('O','0') for i in ['09-11-2015', '09-11-2015', '09-11-201 5', '09-11-201', 'O9-11-201']]
>>>['09-11-2015', '09-11-2015', '09-11-201 5', '09-11-201', '09-11-201']

查看实时 DEMO

或者 - 如果日期中有日期分隔符，例如/，.，-然后在下方应提取日期 - 它会考虑所有l33t个字符。例如$

的5

\b[\w\$\s]{2}\s*[\.-/-]\s*[\w\$]{2,}\s*[\.-/-]\s*[\w\$]{2,}

查看实时 DEMO

N.B。你不会得到100％准确的结果，因为你的数据是灾难，而是使用像Abbyy那样可以提高准确性的良好ocr引擎。

修改

如果您想实现某种fuzzymatch / Levenshtein Distance，请使用FuzzyWuzzy模块。

Answer 3

这不是标题所要求的 但是当你提到Levenshtein距离时，可能会对你的场景有用。

from dateutil.parser import parse

s = 'This is o text xtractud fram OCR O9-11-201'

parse(s, fuzzy=True)

datetime.datetime(201, 9, 11, 0, 0)

Dateutil提供模糊日期时间解析器。

这适用于'09-11-201'，但不适用于'09-11-201 5'

如何获得正则表达式的最近匹配项

3 个答案: