如何获得正则表达式的最近匹配

Question

我有一个使用正则表达式从文本(format =mm)中提取日期的代码。

备注：文本是在票据图像上使用OCR获取的。因此，预期的日期格式是，但是它可以是任何随机文本，因为它是使用OCR获得的。

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'This is a text extracted from OCR 09-11-2015'，上面的代码可以工作，并将日期作为输出'09-11-2015'。但是，如果我有一个字符串'This is o text extractud fram OCR 09-11-201 5'、'This is o text xtractud fram OCR 09-11-201'或'This is o text xtractud fram OCR O9-11-201'，它就会失败。如何为这样的场景编写代码，其中它还选择了最接近的匹配项。

Answer 1

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”的方法很可能要求您在regexp的编辑距离-like 动态规划计算中执行DFA。

这是一个相当棘手的编码算法，它的实现并不多。最著名的是协议p (从技术上讲，agrep工具实现了几种算法，但最著名的是模糊正则匹配)。

通过这个关键字进行简短的googling就会得到这个图书馆，它似乎有Python绑定，并且可能正是您所需要的。

Answer 2

--正如您提到的Levenshtein距离，这并不是标题所要求的，但可能会对您的场景很有用。

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提供了一个模糊日期时间解析器。

这适用于'09-11-201'，但不适用于'09-11-201 5'