認識結果の後処理 ― 正規表現でクレンジング

導入

OCR の出力は、たいてい少し“汚れて”います。余計な空白、O（オー）と 0（ゼロ）の混同、想定外の記号——。これらをルールで整える 後処理 まで含めて、はじめて使えるデータになります。ここは Python 標準の re（正規表現）だけで書け、ブラウザでも実行できます。

説明

import re

# OCRが返したと想定した“生の”文字列（ノイズ入り）
raw = """
  合計   1,２80 円
電話: O3-1234-5678
  

日付 2026/07/29
"""

# 1) 前後の空白を整え、空行を除く
lines = [ln.strip() for ln in raw.splitlines() if ln.strip()]

# 2) 全角数字を半角へ、桁区切りカンマを除去
def to_number(s):
    s = s.translate(str.maketrans("０１２３４５６７８９", "0123456789"))
    return s.replace(",", "")

# 3) 各行から欲しい情報を正規表現で抜き出す
for ln in lines:
    ln = to_number(ln)
    if "合計" in ln:
        m = re.search(r"(\d+)\s*円", ln)
        if m:
            print("金額:", int(m.group(1)))
    if "電話" in ln:
        # OCRが 0 を O と誤読しがち → 数字の文脈で O を 0 に直す
        fixed = re.sub(r"(?<=\D)O(?=\d)|(?<=\d)O", "0", ln)
        m = re.search(r"[\d\-]{9,}", fixed)
        if m:
            print("電話:", m.group(0))
    m = re.search(r"(\d{4})/(\d{2})/(\d{2})", ln)
    if m:
        print("日付:", m.group(0))

• str.strip() と空行除去で、まず行を整えます。
• str.maketrans で全角数字→半角へ一括変換。OCR は全角・半角を取り違えることがあります。
• re.search(r"(\d+)\s*円", ln) … 「数字＋円」を探し、金額だけを取り出します。
• re.sub(...) で、数字の並びに紛れた O（オー）を 0（ゼロ）へ補正。誤読の癖をルールで吸収するのが後処理の勘所です。

「エンジンの精度を上げる」だけでなく「出力を賢く直す」——両輪で実用精度に近づけます。

やってみよう

raw の中身を書き換えて（別のレシート風テキストにして）、抜き出される金額・電話・日付が変わることを確かめましょう。正規表現 r"(\d+)\s*円" を調整すると、拾える形式を増やせます。

演習

raw に 郵便 〒150-0002 のような行を足し、そこから 郵便番号（150-0002 の形） を正規表現で抜き出して print してください。