如何匹配可能的拼寫錯誤的字符串？

Question

我有多個PDF轉換成文本文件，我想搜索可能在文件中的某個短語。我的問題是，PDF和文本文件之間的轉換並不完美，所以有時會出現文本錯誤（例如字之間缺失空格; i，l，1之間的混淆等）

I想知道是否有任何共同的技術給我一個「軟」的搜索，例如看看兩個詞之間的漢明距離。

if 'word' in sentence: 

VS

if my_search('word',sentence, tolerance): 

Answer 1

你可以使用這樣的事情：

from difflib import SequenceMatcher 

text = """there are 
some 3rrors in my text 
but I cannot find them""" 

def fuzzy_search(search_key, text, strictness): 
    lines = text.split("\n") 
    for i, line in enumerate(lines): 
     words = line.split() 
     for word in words: 
      similarity = SequenceMatcher(None, word, search_key) 
      if similarity.ratio() > strictness: 
       return " '{}' matches: '{}' in line {}".format(search_key, word, i+1) 

print fuzzy_search('errors', text, 0.8) 

這應該輸出這樣的：

'errors' matches: '3rrors' in line 2 

Answer 2

因爲你的字符串長度可能不同，你應該使用Levenshtein距離，而不是漢明距離。我沒有用它個人，但這個包可能是有用的：

https://pypi.python.org/pypi/python-Levenshtein

由於這是一個自然語言處理的問題，我肯定會考慮NLTK。本教程似乎是適當的：

http://streamhacker.com/2011/10/31/fuzzy-string-matching-python/

Answer 3

fuzzywuzzy看起來像它可能爲你工作：https://github.com/seatgeek/fuzzywuzzy