如何构建正则表达式来识别美元($)货币总和

Question

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

• $可以用S表示
• .可以用,表示
• 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：是否有可能构建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。从可以匹配"原始"输出的正则表达式开始，例如

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

现在，只需将有问题的字符替换为它们的替代品即可。

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

这可能会给你带来误报，因为你会在像"我阅读 SI 以获取棒球和篮球新闻"这样的句子中"找到"$1(SI 是《体育画报》杂志的缩写，但这仅通过正则表达式是不可避免的。

一旦你完成了匹配，将结果转换为其假定的正确形式很简单：将任何初始S替换为$，将任何,替换为.，并将任何其他S替换为5。