python - 我可以在 python 中以百分比精度执行 "string contains X"吗？

Question

我需要对一大块文本进行一些 OCR，并检查它是否包含特定字符串，但由于 OCR 的不准确性，我需要它来检查它是否包含大约 85% 匹配的字符串。

例如，我可能对一段文本进行 OCR 以确保它不包含无可用信息，但 OCR 可能会看到n0 information available 或误解了一些字符。

有没有在 Python 中执行此操作的简单方法？

Answer 1

正如 gauden 所言，difflib 中的 SequenceMatcher 是一个简单的方法。使用 ratio()，返回一个介于 0 和 1 之间的值，对应于两个字符串之间的相似性，来自文档:

Where T is the total number of elements in both sequences, and M is the number of matches, this is 2.0*M / T. Note that this is 1.0 if the sequences are identical, and 0.0 if they have nothing in common.

例子:

>>> import difflib
>>> difflib.SequenceMatcher(None,'no information available','n0 inf0rmation available').ratio()
0.91666666666666663

还有 get_close_matches，这可能对你有用，你可以指定一个距离截止点，它会返回列表中该距离内的所有匹配项:

>>> difflib.get_close_matches('unicorn', ['unicycle', 'uncorn', 'corny', 
                              'house'], cutoff=0.8)
['uncorn']
>>> difflib.get_close_matches('unicorn', ['unicycle'  'uncorn', 'corny',
                              'house'], cutoff=0.5)
['uncorn', 'corny', 'unicycle']

更新:找到部分子序列匹配

要找到与三词序列的紧密匹配，我会将文本拆分为词，然后将它们分组为三词序列，然后应用 difflib.get_close_matches，如下所示:

import difflib
text = "Here is the text we are trying to match across to find the three word
        sequence n0 inf0rmation available I wonder if we will find it?"    
words = text.split()
three = [' '.join([i,j,k]) for i,j,k in zip(words, words[1:], words[2:])]
print difflib.get_close_matches('no information available', three, cutoff=0.9)
#Oyutput:
['n0 inf0rmation available']