java - 以最大概率从名片中提取地址

Question

我有一张名片的图片。使用 OCR，我可以将此图像转换为文本。现在我想将信息分开并添加到联系人中。

通过正则表达式，我可以解析电话、电子邮件、网站等信息，但无法从中隔离地址，因为格式因卡而异。

我在 Android 平台的设备上使用 firebase ml 套件。我正在附加 OCR 的输出。

来自谷歌图像的名片输入图像

OCR 的输出是

第 1 行 = [larriS，保险]
第 2 行 = [A, Legacy, of, Quality, Service]
第 3 行 = [韦恩、斯坦斯菲尔德、我、CLCS]
4 号线 = [1380, Rio, Rancho, Blvd, SE363]
第 5 行 = [里约、兰乔、新墨西哥州、87124]
第 6 行 = [CELL, 505.554.0510]
第 7 行 = [电话，505-818-9377]
第 8 行 = [传真，888-753.4449]
第 9 行 = [WayneJames@me.com]

检查了link1，link2和link3但未能从正则表达式中找到地址，所以我试图通过间接方式找到它。

如果它有邮政编码，则尝试通过该地址查找地址，但邮政编码也会有所不同。找到一些希望为不同的国家/地区使用多个正则表达式，但这不是解决方案，您能帮我找到一种方法来提取它吗？而且我知道它可以 100% 地适用于市场上可用的所有类型的格式，但我想最大限度地覆盖。

这是可以执行此操作的参考应用程序

CardCam 应用程序名片阅读器免费 - 名片扫描仪

读卡 API 但这些都是付费的

Abbyy CardCam API

score 4 · Accepted Answer

您按每行提取信息并识别其中一些，例如第 6-8 行被识别，您也可以将第 9 行定义为电子邮件。

所以你对第 1-5 行的唯一疑问。

您不能 100% 确定线路是否适合或不适合任何正则表达式，因为没有“协议”应该如何在卡上打印地址，因此您可以假设

最可能的地址应该在第 2 行以上，因为在大多数情况下，第 1 行会有公司名称。
地址的一部分应该包含预定义的值，例如
- 大道
- 英石。
- 街道
- [XX]（状态定义）
- Zip - 邮政编码的正则表达式非常简单
- 其他关键词
最有可能的地址将以邮政编码开头。

因此，如果您将所有这些结合到一个方法中，您将获得一种算法，该算法可以预测是否存在可能的地址。

根据上面的假设，第 4 行和第 5 行地址更可能是因为 - 第 4 行从一个看起来像邮政编码的数字开始， - 第 5 行包含有点像状态

更新

复杂的解决方案可能如下所示：

public static float checkLineForAddress(List<String> testdata) {
        boolean containsZip = false;
        boolean containsState = false;
        boolean containsAddressKeyword = false;
        boolean containsWord = false;
        boolean containsCapitalizedWord = false;
        boolean containsNumber = false;
        boolean containsBuildingNum = false;
        for (String item : testdata) {
            Set<Map.Entry<String, String>> entries = zipRegexps.entrySet();
            for (Map.Entry<String, String> entry : entries) {
                containsZip = containsZip || item.matches(entry.getValue());
                if (containsZip) break;
            }
            containsState = containsState || item.matches("[A-Z]{2}");
            containsBuildingNum = containsBuildingNum || item.contains("/");
            containsWord = containsWord || item.matches("[A-Za-z]+");
            containsCapitalizedWord = containsCapitalizedWord || item.matches("[A-Z]+[a-z]+");
            for (String addressKeyword : addressKeywords) {
                containsAddressKeyword = containsAddressKeyword || item.replace(".", "").equalsIgnoreCase(addressKeyword);
            }
            containsNumber = containsNumber || item.matches("[0-9]+");
        }

        float addressProbability = 0;
        if (containsZip && containsCapitalizedWord && (containsState || containsAddressKeyword)) return 1f;
        if (containsZip && containsWord) addressProbability = 0.5f;
        if (containsCapitalizedWord) addressProbability += 0.1f;
        if (containsAddressKeyword) addressProbability += 0.2f;
        if (containsNumber) addressProbability += 0.05f;
        if (containsBuildingNum) addressProbability += 0.05f;
        if (testdata.size() > 1) addressProbability += 0.05f;
        if (testdata.size() > 2) addressProbability += 0.05f;
        return addressProbability;
    }

我从这里获取了一个邮政编码列表：什么是最终的邮政编码和邮政编码？, 变量的初始化方法：

private static void init() {
        zipRegexps.put("GB", "GIR[ ]?0AA|((AB|AL|B|BA|BB|BD|BH|BL|BN|BR|BS|BT|CA|CB|CF|CH|CM|CO|CR|CT|CV|CW|DA|DD|DE|DG|DH|DL|DN|DT|DY|E|EC|EH|EN|EX|FK|FY|G|GL|GY|GU|HA|HD|HG|HP|HR|HS|HU|HX|IG|IM|IP|IV|JE|KA|KT|KW|KY|L|LA|LD|LE|LL|LN|LS|LU|M|ME|MK|ML|N|NE|NG|NN|NP|NR|NW|OL|OX|PA|PE|PH|PL|PO|PR|RG|RH|RM|S|SA|SE|SG|SK|SL|SM|SN|SO|SP|SR|SS|ST|SW|SY|TA|TD|TF|TN|TQ|TR|TS|TW|UB|W|WA|WC|WD|WF|WN|WR|WS|WV|YO|ZE)(\\d[\\dA-Z]?[ ]?\\d[ABD-HJLN-UW-Z]{2}))|BFPO[ ]?\\d{1,4}");
        zipRegexps.put("JE", "JE\\d[\\dA-Z]?[ ]?\\d[ABD-HJLN-UW-Z]{2}");
        zipRegexps.put("GG", "GY\\d[\\dA-Z]?[ ]?\\d[ABD-HJLN-UW-Z]{2}");
        zipRegexps.put("IM", "IM\\d[\\dA-Z]?[ ]?\\d[ABD-HJLN-UW-Z]{2}");
        zipRegexps.put("US", "\\d{5}([ \\-]\\d{4})?");
        zipRegexps.put("CA", "[ABCEGHJKLMNPRSTVXY]\\d[ABCEGHJ-NPRSTV-Z][ ]?\\d[ABCEGHJ-NPRSTV-Z]\\d");
        zipRegexps.put("DE", "\\d{5}");
        zipRegexps.put("JP", "\\d{3}-\\d{4}");
        zipRegexps.put("FR", "\\d{2}[ ]?\\d{3}");
        zipRegexps.put("AU", "\\d{4}");
        zipRegexps.put("IT", "\\d{5}");
        zipRegexps.put("CH", "\\d{4}");
        zipRegexps.put("AT", "\\d{4}");
        zipRegexps.put("ES", "\\d{5}");
        zipRegexps.put("NL", "\\d{4}[ ]?[A-Z]{2}");
        zipRegexps.put("BE", "\\d{4}");
        zipRegexps.put("DK", "\\d{4}");
        zipRegexps.put("SE", "\\d{3}[ ]?\\d{2}");
        zipRegexps.put("NO", "\\d{4}");
        zipRegexps.put("BR", "\\d{5}[\\-]?\\d{3}");
        zipRegexps.put("PT", "\\d{4}([\\-]\\d{3})?");
        zipRegexps.put("FI", "\\d{5}");
        zipRegexps.put("AX", "22\\d{3}");
        zipRegexps.put("KR", "\\d{3}[\\-]\\d{3}");
        zipRegexps.put("CN", "\\d{6}");
        zipRegexps.put("TW", "\\d{3}(\\d{2})?");
        zipRegexps.put("SG", "\\d{6}");
        zipRegexps.put("DZ", "\\d{5}");
        zipRegexps.put("AD", "AD\\d{3}");
        zipRegexps.put("AR", "([A-HJ-NP-Z])?\\d{4}([A-Z]{3})?");
        zipRegexps.put("AM", "(37)?\\d{4}");
        zipRegexps.put("AZ", "\\d{4}");
        zipRegexps.put("BH", "((1[0-2]|[2-9])\\d{2})?");
        zipRegexps.put("BD", "\\d{4}");
        zipRegexps.put("BB", "(BB\\d{5})?");
        zipRegexps.put("BY", "\\d{6}");
        zipRegexps.put("BM", "[A-Z]{2}[ ]?[A-Z0-9]{2}");
        zipRegexps.put("BA", "\\d{5}");
        zipRegexps.put("IO", "BBND 1ZZ");
        zipRegexps.put("BN", "[A-Z]{2}[ ]?\\d{4}");
        zipRegexps.put("BG", "\\d{4}");
        zipRegexps.put("KH", "\\d{5}");
        zipRegexps.put("CV", "\\d{4}");
        zipRegexps.put("CL", "\\d{7}");
        zipRegexps.put("CR", "\\d{4,5}|\\d{3}-\\d{4}");
        zipRegexps.put("HR", "\\d{5}");
        zipRegexps.put("CY", "\\d{4}");
        zipRegexps.put("CZ", "\\d{3}[ ]?\\d{2}");
        zipRegexps.put("DO", "\\d{5}");
        zipRegexps.put("EC", "([A-Z]\\d{4}[A-Z]|(?:[A-Z]{2})?\\d{6})?");
        zipRegexps.put("EG", "\\d{5}");
        zipRegexps.put("EE", "\\d{5}");
        zipRegexps.put("FO", "\\d{3}");
        zipRegexps.put("GE", "\\d{4}");
        zipRegexps.put("GR", "\\d{3}[ ]?\\d{2}");
        zipRegexps.put("GL", "39\\d{2}");
        zipRegexps.put("GT", "\\d{5}");
        zipRegexps.put("HT", "\\d{4}");
        zipRegexps.put("HN", "(?:\\d{5})?");
        zipRegexps.put("HU", "\\d{4}");
        zipRegexps.put("IS", "\\d{3}");
        zipRegexps.put("IN", "\\d{6}");
        zipRegexps.put("ID", "\\d{5}");
        zipRegexps.put("IL", "\\d{5}");
        zipRegexps.put("JO", "\\d{5}");
        zipRegexps.put("KZ", "\\d{6}");
        zipRegexps.put("KE", "\\d{5}");
        zipRegexps.put("KW", "\\d{5}");
        zipRegexps.put("LA", "\\d{5}");
        zipRegexps.put("LV", "\\d{4}");
        zipRegexps.put("LB", "(\\d{4}([ ]?\\d{4})?)?");
        zipRegexps.put("LI", "(948[5-9])|(949[0-7])");
        zipRegexps.put("LT", "\\d{5}");
        zipRegexps.put("LU", "\\d{4}");
        zipRegexps.put("MK", "\\d{4}");
        zipRegexps.put("MY", "\\d{5}");
        zipRegexps.put("MV", "\\d{5}");
        zipRegexps.put("MT", "[A-Z]{3}[ ]?\\d{2,4}");
        zipRegexps.put("MU", "(\\d{3}[A-Z]{2}\\d{3})?");
        zipRegexps.put("MX", "\\d{5}");
        zipRegexps.put("MD", "\\d{4}");
        zipRegexps.put("MC", "980\\d{2}");
        zipRegexps.put("MA", "\\d{5}");
        zipRegexps.put("NP", "\\d{5}");
        zipRegexps.put("NZ", "\\d{4}");
        zipRegexps.put("NI", "((\\d{4}-)?\\d{3}-\\d{3}(-\\d{1})?)?");
        zipRegexps.put("NG", "(\\d{6})?");
        zipRegexps.put("OM", "(PC )?\\d{3}");
        zipRegexps.put("PK", "\\d{5}");
        zipRegexps.put("PY", "\\d{4}");
        zipRegexps.put("PH", "\\d{4}");
        zipRegexps.put("PL", "\\d{2}-\\d{3}");
        zipRegexps.put("PR", "00[679]\\d{2}([ \\-]\\d{4})?");
        zipRegexps.put("RO", "\\d{6}");
        zipRegexps.put("RU", "\\d{6}");
        zipRegexps.put("SM", "4789\\d");
        zipRegexps.put("SA", "\\d{5}");
        zipRegexps.put("SN", "\\d{5}");
        zipRegexps.put("SK", "\\d{3}[ ]?\\d{2}");
        zipRegexps.put("SI", "\\d{4}");
        zipRegexps.put("ZA", "\\d{4}");
        zipRegexps.put("LK", "\\d{5}");
        zipRegexps.put("TJ", "\\d{6}");
        zipRegexps.put("TH", "\\d{5}");
        zipRegexps.put("TN", "\\d{4}");
        zipRegexps.put("TR", "\\d{5}");
        zipRegexps.put("TM", "\\d{6}");
        zipRegexps.put("UA", "\\d{5}");
        zipRegexps.put("UY", "\\d{5}");
        zipRegexps.put("UZ", "\\d{6}");
        zipRegexps.put("VA", "00120");
        zipRegexps.put("VE", "\\d{4}");
        zipRegexps.put("ZM", "\\d{5}");
        zipRegexps.put("AS", "96799");
        zipRegexps.put("CC", "6799");
        zipRegexps.put("CK", "\\d{4}");
        zipRegexps.put("RS", "\\d{6}");
        zipRegexps.put("ME", "8\\d{4}");
        zipRegexps.put("CS", "\\d{5}");
        zipRegexps.put("YU", "\\d{5}");
        zipRegexps.put("CX", "6798");
        zipRegexps.put("ET", "\\d{4}");
        zipRegexps.put("FK", "FIQQ 1ZZ");
        zipRegexps.put("NF", "2899");
        zipRegexps.put("FM", "(9694[1-4])([ \\-]\\d{4})?");
        zipRegexps.put("GF", "9[78]3\\d{2}");
        zipRegexps.put("GN", "\\d{3}");
        zipRegexps.put("GP", "9[78][01]\\d{2}");
        zipRegexps.put("GS", "SIQQ 1ZZ");
        zipRegexps.put("GU", "969[123]\\d([ \\-]\\d{4})?");
        zipRegexps.put("GW", "\\d{4}");
        zipRegexps.put("HM", "\\d{4}");
        zipRegexps.put("IQ", "\\d{5}");
        zipRegexps.put("KG", "\\d{6}");
        zipRegexps.put("LR", "\\d{4}");
        zipRegexps.put("LS", "\\d{3}");
        zipRegexps.put("MG", "\\d{3}");
        zipRegexps.put("MH", "969[67]\\d([ \\-]\\d{4})?");
        zipRegexps.put("MN", "\\d{6}");
        zipRegexps.put("MP", "9695[012]([ \\-]\\d{4})?");
        zipRegexps.put("MQ", "9[78]2\\d{2}");
        zipRegexps.put("NC", "988\\d{2}");
        zipRegexps.put("NE", "\\d{4}");
        zipRegexps.put("VI", "008(([0-4]\\d)|(5[01]))([ \\-]\\d{4})?");
        zipRegexps.put("PF", "987\\d{2}");
        zipRegexps.put("PG", "\\d{3}");
        zipRegexps.put("PM", "9[78]5\\d{2}");
        zipRegexps.put("PN", "PCRN 1ZZ");
        zipRegexps.put("PW", "96940");
        zipRegexps.put("RE", "9[78]4\\d{2}");
        zipRegexps.put("SH", "(ASCN|STHL) 1ZZ");
        zipRegexps.put("SJ", "\\d{4}");
        zipRegexps.put("SO", "\\d{5}");
        zipRegexps.put("SZ", "[HLMS]\\d{3}");
        zipRegexps.put("TC", "TKCA 1ZZ");
        zipRegexps.put("WF", "986\\d{2}");
        zipRegexps.put("XK", "\\d{5}");
        zipRegexps.put("YT", "976\\d{2}");

        addressKeywords.add("blvd");
        addressKeywords.add("st");
        addressKeywords.add("street");
        addressKeywords.add("lane");
    }

测试数据是

List<String> testdata = new ArrayList<>();
testdata.add("1380");
testdata.add("Rio");
testdata.add("Rancho");
testdata.add("Blvd");
testdata.add("SE363");
Log.e("!@#", String.valueOf(checkLineForAddress(testdata)));
testdata = new ArrayList<>();
testdata.add("Rio");
testdata.add("Rancho");
testdata.add("NM");
testdata.add("87124");
Log.e("!@#", String.valueOf(checkLineForAddress(testdata)));
testdata = new ArrayList<>();
testdata.add("Wayne");
testdata.add("Stansfield");
testdata.add("i");
testdata.add("CLCS");
Log.e("!@#", String.valueOf(checkLineForAddress(testdata)));
testdata = new ArrayList<>();
testdata.add("James");
testdata.add("Gordon");
testdata.add("Smith");
Log.e("!@#", String.valueOf(checkLineForAddress(testdata)));
testdata = new ArrayList<>();
testdata.add("5052");
testdata.add("554");
testdata.add("11500");
testdata.add("121151");
Log.e("!@#", String.valueOf(checkLineForAddress(testdata)));
testdata = new ArrayList<>();
testdata.add("Creative");
testdata.add("Director");
Log.e("!@#", String.valueOf(checkLineForAddress(testdata)));

并输出

E/!@#: 1.0
E/!@#: 1.0
E/!@#: 0.70000005
E/!@#: 0.2
E/!@#: 0.15
E/!@#: 0.15

如您所见，第 3 行是一个概率为 70% 的地址，因为理论上CLCS可能是百慕大邮政编码。

您可以根据您的测试数据修改可能性。

java - 以最大概率从名片中提取地址

1 回答 1

Related

Reference