模式( regex )与找到的值之间的相似性

Question

我有一个包含文字信息的图像，并且：

1. 我从中提取/裁剪一幅小图像。
2. 我正在使用OCR从小图像中提取文本。
3. 检查提取的值是否与模式匹配(浮点、日期.)如果是这样
4. 我将值存储在数据库中。

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

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

图像的值是

12/02/2014

但OCR提取：

12? /02 -2014

我想得到模式和提取的值之间的相似性(最近处理它)，有什么方法可以做到这一点而不改变模式呢？

Answer 1

特定的正则表达式不能用于匹配具有歧义性的模式，而不需要进行允许这种歧义性的修改。例如，如果希望允许在匹配的字符串的任意点插入额外的字符，regex模式将需要提供大量这些任意字符的规定。这使得模式很快变得丑陋:例如，虽然匹配int的模式非常简单，

\\d+

允许中间不加数字的相同模式如下所示：

(\\d\\D*)+

随着模式变得越来越大，这种方法变得越来越丑，所以这种方法不是很好。

我建议用一种实现http://en.wikipedia.org/wiki/Levenshtein_distance变体的算法代替基于模式的匹配。

最初的Levenshtein距离算法使用两个字符串，并返回需要对一个字符串进行的修改数，以便得到另一个字符串。您的算法应该采用字符串和模式。该模式应该对数字(例如，#)使用某种指示符，并将所有其他字符“按字面”处理，作为字符串字符。您将修改算法中使用的指示符函数，在向其发送#和任何数字时返回零，否则将返回1。

看看有两个矩阵行的实现，它是最节省空间的。指标职能是在这一项目上执行的：

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

改到

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

将允许您“匹配”数字。在进行匹配之前，您的代码还可以从字符串中删除所有空格。

您可以通过检查Levenshtein距离来决定比赛的质量。零的距离表示完美的匹配；一到二的距离对于短模式来说是相当好的；五或五以上的距离可能是不可接受的。