我不太确定要搜索什么术语，所以我的标题很时髦......这是我的工作流程：
- 半结构化文件被扫描归档。这些文件被 OCR 转换为文本。
- 文本被解析成 Python 对象
- 对象被序列化（到 SQL、JSON 等）以供使用。
文档是这样的结构：
标题等等，页面###
废话
垃圾文...
1.问题文本...
一直持续到现在。A. 选择文本...
adsf. B. 另一种选择...
2. 另一个问题...
我需要提取问题和选择。问题是，因为文本是 OCR 输出，偶尔会有奇怪的替换，比如 '2' -> 'Z'，这使得普通的正则表达式无用。我已经尝试过 Levenshtein 模块，它有所帮助，但它需要事先了解预期的编辑距离。
我不知道我是否要创建解析器？词法分析器？别的东西？这使我走上了各种有趣但不相关的道路。指导将不胜感激。哦，还有，文本通常来自特定的技术领域，所以一般的拼写工具没有那么有用。
关于文档的结构，除了“问题”通常以一行开头之外，没有清晰的视觉模式——如换行符或缩进。文档上的废话会导致字符出现在行的实际开头之前，这意味着沿着 r'^[0-9]+' 行的某些东西不能可靠地工作。
尽管“问题”总是以整数、句点和空格开头；OCR 可以替换其他字符或跳过字符。这不是 Tesseract 或 Cunieform 的问题，而是纸质文档质量差的问题。
#注意：对于有问题的项目，决定让人工准备 OCR 的文本比花时间编写解决方案更好。但是，我仍然喜欢好的指针。