Python中OCR响应的解析日期

Question

我试图从图像的OCR响应中读取日期。OCR输出就像这样。

\nPatientsName:KantibhaiPatelAgeISex:71YearslMale\nRef.by:Dr.KetanShuklaMS.MCH.\nReg.Date:29/06/201519;03\nLabRefNo;ARY-8922-15ReportingDate.29/06/201519:10\nHEMOGRAMREPORT\nTESTRESULTREFERENCEINTERVAL\n

我有兴趣提取报告日期，即2015年6月29日。此外，我对将病人的详细信息按时间顺序存储在数据库(MongoDB)中也感兴趣。因此，为了便于以后的查询，我需要以标准化格式存储日期。欢迎所有建议。

编辑-由于数据是作为一个OCR响应，往往会有很多噪音，有时误解字符。是否有任何方法可以对字符串搜索具有更好的容错能力。

re.search(r'Date:([0-9]{2}\/[0-9]{2}\/[0-9]{4})', ocr_response).group(1)

上面的语句显式地查找数字，但如果某个数字没有作为字符读取或错误替换怎么办？

Answer 1

使用re模块：

import re

print re.search(r'[Date:]*([0-9]{0,2}[\/-]([0-9]{0,2}|[a-z]{3})[\/-][0-9]{0,4})', ocr_response).group(1)

输出：

29/06/2015

Answer 2

您应该使用好的NER(命名，实体识别)模型，如果您有大量带注释的培训数据，您可以自定义培训您自己的模型，或者您可以使用不需要注释数据集的预培训模型。

Spacy是NER的一个很好的Python库。查看下面的链接- https://spacy.io/

它使用后端的深层神经网络来识别文本中的各种实体(在您的例子中是日期)。

希望它为您提供了正则表达式的替代方案，谢谢您提前投票。