python - 如何构建正则表达式来识别美元 ($) 金额

Question

我正在尝试创建一个可以识别金额(美元)的正则表达式。问题是数据是在扫描的 PDF 文件上通过 OCR 生成的，因此数据不精确:

• $可以用S表示
• .可以表示为,
• 1可以用l或I
表示
• 5可以用S表示

例子:

Data:       What is should be:
S0.01    => $0.01
S1       => $1
S400.05  => $400.05
$0,01    => $0.01
S0,SI    => $0.51

问题:是否可以构造一个可以搜索如此复杂模式的正则表达式？

Answer 1

没那么复杂。从一个可以匹配“原始”输出的正则表达式开始，比如

\$[0-9]+(\.[0-9]{2})?

现在，只需将有问题的字符替换为替代字符即可。

[$S][0-9SIl]+([.,][0-9SIl]{2})?

这可能会给您带来误报，因为您会在“我阅读 SI for baseball and basketball news”(SI 是 Sports 杂志的缩写)这样的句子中“找到”$1图解，但单独使用正则表达式是不可避免的。

完成匹配后，将结果转换为假定的正确形式很简单:用 $ 替换所有初始 S，任何带有 . 的 ,，以及带有 5.

的任何其他 S