有没有一种方法可以创建一个正则表达式，确保在给定的字符范围内（例如20个字符），8个字符中有5个是按顺序出现的？
我正在处理可怕的OCR/扫描，我可以忍受误报。
有办法做到这一点吗？
**更新：**我想匹配例如“mshpeln”作为misspelling。我不想做OCR。OCR工作已经完成，但做得很差（即它最初说misspelling，但OCR的副本读作“mshpeln”）。我不知道我必须匹配的文本是什么（即。我不知道它是“mshpeln”，它可能是“mispel”或任何数量的其他组合）。
我并不想用它来做拼写检查，而只是找到一个捕获组的结尾。顺便说一句，我目前在获取all.css文件时遇到了麻烦，所以暂时无法进行评论。
4条答案
按热度按时间xtupzzrd1#
我认为你不需要正则表达式，但数据库与所有有效的话和创造性的使用功能，如
soundex()和/或levenshtein()。你可以这样做：用所有有效的单词（dictionary）创建表，用
word和snd（计算为soundex(word)）这样的列填充它，为word和snd列创建索引。例如，对于单词mispeling，您可以将snd填充为M214。如果你使用SQLite，它有soundex()implemented by default。现在，当你得到新的坏单词时，计算
soundex()并在索引表中查找它。例如，对于单词mshpeln，它将是soundex('mshpeln')=M214。好了，这样你就能得到正确的单词了。但这看起来不像正则表达式-对不起。
2uluyalo2#
老实说，我认为这样的项目更适合真人来做，而不是电脑。如果项目太大，一两个人很难完成，你可能想看看亚马逊的Mechanical Turk，在那里你可以外包工作，每个解决方案只需要几分钱。
hmtdttj43#
这不能用正则表达式来完成，但可以用自定义算法来完成。
例如，要在文本正文中查找类似“拼写错误”的单词：
1)预处理。创建一个
Set（在数学意义上，保证是唯一元素的集合），其中包含拼写错误的所有唯一字母-{e, i, g, l, m, n, p, s}2)将正文拆分为单词。
3)对于每个单词，创建一个包含所有唯一字母的
Set。然后，在这个集合和你要匹配的单词的集合上执行集合交集的操作-这将得到两个集合都包含的字母。如果这个集合中剩下5个或更多字符，则您在这里有一个可能的匹配。如果OCR可以添加错误的空格，则考虑一次添加两个单词而不是单个单词。等等根据你的要求。
2skhul334#
我没有解决这个问题的办法，事实上，这里正好相反。
由于以下两个原因，无法通过编程方式更正OCR错误：
1.您无法量化OCR算法产生的错误，因为它可能在0到100%之间
1.要应用校正，您需要知道最大误差可能是多少，以便设置可接受的水平。
让 nello world 作为“hello world”的第一个猜测，这是非常相似的。然后，用另一种字体，写在“痛苦”黄色或什么，第二个猜测是 noiio verio 相同的表达。计算机如何知道这个词如果被更好地识别的话会是相似的呢？
否则，给定一个预定的误差，mvp的解决方案在我看来似乎是最好的。
更新：
经过一点挖掘，我发现了一个可能相关的参考：String similarity measures