Python 如何获取正则表达式的最近匹配

我有一个使用正则表达式从文本（格式=mm dd yyyy）中提取日期的代码

注意：使用OCR在票据图像上获取文本。因此，预期的日期格式是mm dd yyyy，但它可以是使用OCR获得的任意随机文本

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

“这是从OCR 09-11-2015中提取的文本”

，则上面的代码工作并将日期作为输出

“09-11-2015”

。但是，如果我有一个字符串

“这是o text extractud fram OCR 09-11-201 5”

或

“这是o text extractud fram OCR 09-11-201”

或

“这是o text extractud fram OCR O9-11-201”

则失败。如何为这样的场景编写代码，在这种场景中，它也会选择最接近的匹配项。

试试看-

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']

现场观看

或者-如果日期中有日期分隔符，例如

/

，

，

-

，则下面应该提取日期-它考虑所有字符。像

$

对于

5

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

现场观看

注意：由于你的数据是一场灾难，你绝对不会得到100%的准确结果，相反，使用好的ocr引擎可以提高准确度

---

编辑

---

如果您想实现某种模糊匹配，请使用模块。

这不是标题所要求的 但是，正如您提到的Levenshtein距离，它可能对您的场景非常有用

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提供了一个模糊的datetime解析器

---

这适用于

'09-11-201'

，但不适用于

'09-11-201 5'

有几种方法可以实现与正则表达式的近似匹配。最“理论上简单”的方法可能需要在regexp上执行类似的计算

这是一个相当棘手的编码算法，没有太多的实现。最著名的是（从技术上讲，

agrep

工具实现了几种算法，但最著名的是模糊regexp匹配）

---

通过这个关键字进行简单的谷歌搜索，它似乎有Python绑定，可能正是您所需要的。

这取决于“最近”的定义。您的示例可以通过在匹配之前删除空格来处理程序。好的。让我更具体一点。如果我有一个字符串

“字符串是09-11-201”

，它与正则表达式最接近。这应该作为输出打印。输出-

09-11-201

你的月和日的格式是否正确，只是年份被弄乱了？在问题中增加了一些细节。请再检查一次。这可以用额外的空间工作。但是，如果某个数字丢失，如

'09-11-201

，则会失败。我需要一个通用的

regex

或某种有助于识别此类场景的算法。您能否发布所有可能的日期格式，而我可以使regex通用化。目前我只有一种日期格式

mm dd yyyy

。我实际上在做OCR（从账单中提取日期）。所以我需要这个场景。听说过Levenshtein，但我不知道它在本例中的实现，因为

Date

不是一个英语单词。感谢mate的努力。但是，对于

'09-11-201S'

，它再次失败。我们不能一直为每个场景编写

regex

，对吗？我想我需要了解@KT提到的方法。编辑后的答案请参见关于

Levenshtein距离的建议
它是否适用于
'O9-11-2015'
或
'09-11-201S'
？因为OCR引擎可能会混淆
0
和
O
以及
5
和
S
。在上面的示例中，我错误地使用了
O
而不是
0
。它在这里起作用是因为字母表不在日期之间，只是被省略了。所以，它对字母表不起作用。如果您无法找到应该查找的任何日期，您可以在替换所有S和O后编写更多代码来提取日期。如果您熟悉该库，请提供一个示例帮助我理解。已经给出的示例有什么问题？