Java 模式（regex）和找到的值之间的相似性

我有一个包含文本信息的图像，并且：

我从中提取/裁剪一个小图像

我正在使用OCR从小图像中提取文本

检查提取的值是否与模式匹配（浮动、日期…），如果匹配

我将值存储在数据库中

问题是：有时，ocr会提取一个包含一些符号的值，因此它与模式不匹配示例：对于模式日期，我有：

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

图像中的值为

12/02/2014

但OCR提取了：

12? /02 -2014

---

我想获得模式和提取的值之间的相似性（最近对其进行处理）有没有一种方法可以在不改变模式的情况下做到这一点？

如果没有允许这种模糊性的修改，特定的正则表达式不能用于匹配具有模糊性的模式。例如，如果希望允许在要匹配的字符串的任意位置插入额外字符，则正则表达式模式需要具有与这些任意字符相当的规定。这使得模式很快变得丑陋：例如，匹配

int

的模式非常简单

\\d+

允许中间不包含数字的相同模式如下所示：

(\\d\\D*)+

随着图案越来越大，这种方法越来越难看，所以这种方法不是很好

我建议将基于模式的匹配替换为实现

原始的Levenshtein距离算法接受两个字符串，并返回为获得另一个字符串而需要对一个字符串进行的修改次数。您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（比如，

#

），并将所有其他字符“按字面”视为字符串。当发送一个

和任何数字时，您将修改算法中使用的指示器函数，使其返回零，否则返回

1

看看两个矩阵行的实现，它是最节省空间的。指示器功能在该行上实现：

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

改成

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

将允许您“匹配”数字。您的代码还可以在进行匹配之前删除字符串中的所有空白

---

你可以通过检查Levenshtein距离来决定比赛的质量。距离为零表示完美匹配；一个或两个距离对于短模式是非常好的；五个或五个以上的距离可能是不可接受的。

这实际上取决于OCR软件的准确性和扫描材料的质量。可能存在各种错误-添加了问号（不确定匹配，由OCR标记），字符不匹配-例如l或I而不是1，O或O而不是0，等等。我建议您允许对OCR材料进行一些预处理，然后尝试使用regexp进行解析。是的，这取决于它，但是我没有选择，我必须考虑一个与模式非常相似的值，即使它不匹配。在使用regexp模块处理之前，您是否可以允许您的客户编辑OCR模块识别的文本？另外，基本上，据我所知，OP询问是否有办法处理OCR软件中的错误/不确定匹配，并使用一些正则表达式来确定捕获的数据可能是：浮点、日期、数字等。我开始寻找某种数字的soundex算法，但你所建议的方法看起来是更好的方法。一个问题-是否可以对“噪声字符”采用Levenshtein距离算法？例如，额外的空格、问号、OCR识别为两个字符的一个符号等？@ZlatinZlatev是的，您也可以通过更改成本函数来实现这一点。例如，当输入具有常规字符时，您可以通过为

cost

指定更大的值（例如，5）来惩罚与“噪波”字符不匹配的代价小于与“实”字符不匹配的代价的“噪波”字符的不匹配，并为与“噪波”字符不匹配的

1

。您使用的示例（int cost）仅适用于模式int或短模式？@manu我不会使用模式来区分

int

和

short

——这是可行的，但太复杂了。我会识别一个没有符号或小数点的数字（实际上，这就是模式所代表的），然后试着看看它是否适合一个字节，然后是一个短的，一个int的，还是一个长的。你能举个例子吗？