python - 如何获得正则表达式的最接近匹配

Question

我有一个使用正则表达式从文本(格式 = mm-dd-yyyy)中提取日期的代码。

注意:文本是使用票据图像上的 OCR 获取的。因此，预期的日期格式为 mm-dd-yyyy，但它可以是使用 OCR 获得的任何随机文本。

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'这是从 OCR 09-11-2015 中提取的文本'，上面的代码将起作用并产生日期作为输出'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' 或 'This is o text xtractud fram OCR 09-11-201' 或 'This is o text xtractud fram OCR O9-11-201' 它失败。如何为这种情况编写代码，它还可以选择最接近的匹配项。

Answer 1

有多种方法可以实现与正则表达式的近似匹配。最“理论上简单”的方法很可能需要您执行 edit-distance -像dynamic programming正则表达式 DFA 的计算.

这是一个相当棘手的编码算法，目前还没有太多的实现。最著名的是 Agrep (从技术上讲，agrep 工具实现了多种算法，但其中最著名的是模糊正则表达式匹配)。

通过此关键字进行简短的谷歌搜索会得到 this library ，它似乎有 Python 绑定(bind)，并且可能正是您所需要的。