Python实现OCR识别非标准数值的格式化转换

嘿，这是个挺典型的OCR数值清洗需求啊！我之前做文档自动化的时候也碰到过类似的问题，分享几个更简洁高效的优化思路和实现方案给你参考：

核心是把杂乱的OCR输出拆解成「清洗→解析→校验」三个步骤，每个步骤聚焦单一任务：

• 无效字符过滤：先把OCR混入的随机杂字符（比如字母、多余符号）清掉，只保留数字、小数点、斜杠和分隔整数与分数的空格
• 多格式兼容解析：统一处理带空格的分数、错误格式分数、缺项分数和纯浮点数，转换成标准数值
• 数值校验截断：确保最终结果不超过11，避免异常值

这个方案能覆盖你提到的所有场景，还加了除零保护、异常格式兼容的细节：

import re

def normalize_ocr_numeric(input_str):
    # 第一步：过滤无效字符，保留数字、.、/、空格和负号（可选）
    cleaned = re.sub(r'[^0-9./\s-]', '', input_str.strip())
    # 处理OCR常见错误：把逗号替换成小数点（如果有需要）
    cleaned = cleaned.replace(',', '.')

    # 第二步：解析分数或浮点数
    if '/' in cleaned:
        # 拆分整数、分子、分母部分，过滤空字符串
        parts = [p for p in re.split(r'[\s/]', cleaned) if p]
        
        integer_part = 0.0
        numerator = 0.0
        denominator = 1.0

        # 适配不同分数格式
        if len(parts) == 1:
            # 比如输入'T 3/'，只剩分子，默认分母为1
            numerator = float(parts[0])
        elif len(parts) == 2:
            # 纯分数格式，比如'3/4'或'4.75/2'
            numerator = float(parts[0])
            denominator = float(parts[1]) if parts[1] != '' else 1.0
        else:
            # 整数+分数格式，比如'4 3/4'或'4 .3/4'
            integer_part = float(parts[0])
            numerator = float(parts[1])
            denominator = float(parts[2]) if parts[2] != '' else 1.0
        
        # 避免除零错误
        denominator = denominator if denominator != 0 else 1.0
        value = integer_part + (numerator / denominator)
    else:
        # 处理纯浮点数/整数，空输入默认返回0
        value = float(cleaned) if cleaned else 0.0

    # 第三步：限制数值不超过11
    value = min(value, 11.0)
    # 可选：保留指定小数位数，比如两位
    # value = round(value, 2)
    return value

# 测试用例验证
test_cases = [
    '4 3/4', '4 .3/4', '4.75', 'T 3/',
    '12 1/2', 'abc5/2', '7.', '/8', '-1 1/2'
]

for case in test_cases:
    print(f"输入: '{case}' → 输出: {normalize_ocr_numeric(case)}")

• 如果OCR经常出现重复数字、多打符号的情况，可以在预处理阶段加去重逻辑（比如把'44 3/4'里的重复4处理成单个）
• 可以加日志记录异常输入（比如完全无法解析的字符串），方便后续迭代优化规则
• 对性能要求极高的场景，可以用字符串遍历代替正则，但正则已经能覆盖90%以上的日常需求

内容的提问来源于stack exchange，提问作者FanScience