可以处理拼写错误的单词的regex

Question

是否有一种方法来创建正则表达式，以确保在给定的字符范围(例如，20个字符)中有5个字符是按顺序排列的？

我正在处理可怕的OCR/扫描，我可以忍受假阳性。

有办法这样做吗？

更新:我想要将"mshpeln“匹配为misspelling。我不想做OCR。OCR工作已经完成，但是做得很糟糕(也就是说，它最初说的是misspelling，但是OCR的拷贝是"mshpeln")。我不知道我要与之匹配的文本将是什么(即我不知道它是"mshpeln“，它可能是"mispel”或任何其他组合)。

我不是试图用它作为拼写检查器，而只是找到捕获组的结尾。顺便说一句，我目前在获取all.css文件时遇到了问题，所以暂时不可能进行评论。

Answer 1

我认为您不需要regex，而是包含所有有效单词的数据库，并创造性地使用像soundex()和/或levenshtein()这样的函数。

您可以这样做:使用所有有效单词创建表(字典)，用word和snd (计算为soundex(word))等列填充表，为word和snd列创建索引。例如，对于word mispeling，您可以将snd填充为M214。如果您使用SQLite，它有soundex() 默认实现。

现在，当您得到新的坏单词时，计算它的soundex()并在索引表中查找它。例如，对于word mshpeln，它将是soundex('mshpeln') = M214。给你，这样你就能拿回正确的单词。

但这看起来一点也不像regex -对不起。

Answer 2

老实说，我认为这样的项目对一个真正的人类来说更好，而不是一台计算机。如果这个项目规模太大，可以让1到2个人轻松完成，你可能会想看看亚马逊的“机械土耳其”这样的东西，在那里你可以外包，每个解决方案只需花一分钱。

Answer 3

这不能用正则表达式完成，但可以通过自定义算法来完成。

例如，要在正文中查找与“拼写错误”类似的单词：

1)预处理。创建一个Set (从数学意义上讲，集合保证是唯一的元素)，其中包含所有拼写错误的唯一字母- {e, i, g, l, m, n, p, s}。

( 2)将正文分割成文字。

3)为每个单词创建一个Set，其中包含其所有独特的字母。然后，在这个集合上执行set交集的操作，以及您所匹配的单词集--这将得到包含这两个集合的字母。如果这个集合中还有5个或更多的字符，那么这里可能有匹配的字符。

如果OCR可以添加错误的空格，那么每次考虑两个单词，而不是单个单词。等等，基于你的需求。