Python 模糊正则表达式，文本处理，词汇分析？

我不太确定要搜索什么术语，所以我的标题很时髦。。。以下是我的工作流程：

半结构化文档被扫描到文件中。这些文件是OCR格式的文本

文本被解析为Python对象

对象被序列化（到SQL、JSON等）以供使用

文件的结构如下所示：

标题等等，第页###

废话

垃圾文本

1。问题文本…

一直持续到现在。A.选择文本

美国存托股。另一个选择

2。另一个问题…

我需要提取问题和选择。问题是，因为文本是OCR输出，所以偶尔会出现奇怪的替换，如'2'->'Z'，这使得普通正则表达式毫无用处。我尝试过Levenshtein模块，它很有帮助，但它需要事先知道预期的编辑距离

我不知道我是否想要创建一个解析器？雷克瑟？还有别的吗？这让我走上了各种有趣但不相关的道路。如蒙指导，将不胜感激。哦，另外，文本通常来自特定的技术领域，所以一般的拼写工具没有那么大的帮助

关于文档的结构，除了“问题”通常从一行开始这一事实外，没有清晰的视觉模式——比如换行符或缩进。文档上的垃圾可能会导致字符出现在行的实际开头之前，这意味着沿r'^[0-9]+'行的某些内容无法可靠地工作

虽然“问题”总是以int、句点和空格开头；OCR可以替换其他字符或跳过字符。这与其说是Tesseract或楔形文字的问题，不如说是纸质文件质量差的问题

#

---

注意：对于讨论中的项目，决定让一个人准备OCR文本比花时间编写解决方案更好。但是，我仍然喜欢好的指针。

从您的语句中可以理解，您可能正在尝试构建解析器。

---

在提供了模糊的需求和示例之后，我建议您先看看。另一种选择可能是

您可以尝试某种形式的NLP。拼写错误有时可能会使NLP不准确，但它应该是有效的。如果所有文档都来自同一个来源，是否有一个合理的假设，即错误的替换将持续应用？如果是这样的话，你可以将它们考虑到你的正则表达式中。你能添加更多关于文档结构的信息吗？您能否指定问题部分的外观，是否足够清晰，以便机器查找（例如，问题在两个换行符之后开始，并且在没有两个换行符之前开始）。结束以下问题是否在同一行？