Python 如何替换特定模式下单词中的歧义字符
我使用tesseract OCR从不同的文档中提取一些文本，然后使用正则表达式处理提取的文本，以查看它是否匹配特定的模式。不幸的是，OCR提取在歧义字符上会出现常见错误，例如：5:S、1:I、0:O、2:Z、4:A、8:B等。。这些错误非常常见，因此替换不明确的字符将与模式完全匹配 是否有一种方法可以通过遵循特定模式对OCR提取进行后处理并替换不明确的字符（提前提供） 预期产出（以及到目前为止我能想到的）：Python 如何替换特定模式下单词中的歧义字符,python,regex,ocr,Python,Regex,Ocr,我使用tesseract OCR从不同的文档中提取一些文本，然后使用正则表达式处理提取的文本，以查看它是否匹配特定的模式。不幸的是，OCR提取在歧义字符上会出现常见错误，例如：5:S、1:I、0:O、2:Z、4:A、8:B等。。这些错误非常常见，因此替换不明确的字符将与模式完全匹配 是否有一种方法可以通过遵循特定模式对OCR提取进行后处理并替换不明确的字符（提前提供） 预期产出（以及到目前为止我能想到的）： #示例：我提取始终遵循patern[A-Z]{2}\d{5}的车牌号 #对于其他示例，模
#示例：我提取始终遵循patern[A-Z]{2}\d{5}的车牌号
#对于其他示例，模式可能有所不同，但始终是某种阿尔法数字组合
#复杂模式可能会被忽略，并出现一些警告，如“无法解析”
进口稀土
def post_过程（模式、文本、模棱两可的内容）：
#获取文本[0]，检查模式
#在这种情况下，应该是字母，如果不是，尝试从dict替换，如果是，通过
#继续下一个字母，直到找到匹配项或循环整个文本
如果匹配：
复赛
其他：
#一些错误消息
一无所获
模棱两可的单词={'2'：'Z'，'B'：'8'}
#我的车牌照片文字：AZ45287
#通过对tesseract置信水平进行滤波，可以很容易地滤除噪声，尽管这并不理想
#因此，如果函数不能通过噪声找到匹配
#噪声可以忽略，而只需找到匹配项的简单功能
ocr_output=“someNoise A2452B7 no1Ze”
#位置1中的2由Z代替，B由8代替。如果该功能将
#而根据模式，位置5上的“2”应保持为2
#对ocr_输出的每个元素重复执行此操作，直到模式匹配或返回无
#任何其他功能类似（递归、生成器、其他）的方法也是可以接受的。
结果=后处理（r“[A-Z]{2}\d{5}”，ocr\U输出，不明确的dict）
如果结果为：
打印（结果）#AZ45287
否则：#结果为无
打印（“未能清除输出”）
我希望我能很好地解释我的问题，但我可以自由地要求额外的信息，就像OCR一样，很难想出一个100%安全有效的解决方案。在本例中，您可以做的是将“损坏”字符添加到正则表达式中，然后使用带有替换项的字典“规范化”匹配 这意味着你不能使用
[A-Z]{2}\d{5}8B（[A-Z2]{2}）（[\dB]{5}）\d{5}[A-Z]{2}重新导入
def post_过程（模式、文本、模棱两可的_dict_1、模棱两可的_dict_2）：
匹配项=列表（关于finditer（模式、文本））
如果len（匹配）：
在匹配项中为x返回[f“{x.group（1）.translate（dimensional_dict_1）}{x.group（2）.translate（dimensional_dict_2）}”
其他：
一无所获
对于第一组，不明确的_dict_1={ord（'2'）：'Z'}
对于第二组，不明确的_dict_2={ord（'B'）：'8'}
ocr_output=“someNoise A2452B7 no1Ze”
结果=后处理（r“（[A-Z2]{2}）（[\dB]{5}）”，ocr_输出，歧义_dict_1，歧义_dict_2）
如果结果为：
打印（结果）#AZ45287
否则：#结果为无
打印（“未能清除输出”）
#=>['AZ45287']
digical\u dict\u 1digical\u dict\u 2对于digical\u dict.items（）中的c，r（）：ocr\u output=ocr\u output.replace（c，r）