pycorrector检测OCR错字实践

参考：https://github.com/shibing624/pycorrector/tree/master/examples/macbert

stopwords.txt 添加专业停用词，避免错误

设置自定义词典，避免将正确的词错误检测成错误的词

from pycorrector import Corrector
m = Corrector()
m.set_custom_word_freq(path='./dictionary/dict.txt')

去掉拼音纠正（OCR不会出现同音错误,更正后检测到的数量少了30%）

更改corrector.py内容，路径类似 miniconda/envs/env_name/lib/python3.x/site-packages/pycorrector/corrector.py

更改miniconda/envs/env_name/lib/python3.x/site-packages/pycorrector/proper_corrector.py文件

注释掉拼音相似度的比较 self.get_word_pinyin_similarity_score(word1, word2) 太慢，算了

vim xxxx/lib/python3.9/site-packages/pycorrector/data/proper_name.txt

设置专业名词词典

dector自定义频数

self.word_freq = {}

get_wor_simi

一些地名容易被检测成错字，提取地名代码

python 复制代码

from pprint import pprint
from paddlenlp import Taskflow
schema = ['校区名称']   # Define the schema for entity extraction

ie = Taskflow('information_extraction', schema=schema)

pprint(ie("实验班，第一年在通州校区，第二至四年在平乐园校区"))

from paddlenlp import Taskflow 报错ModuleNotFoundError: No module named 'paddle.nn.layer.layers'

在使用paddle框架时，遇到以上错误，原因是版本不兼容。

paddlepaddle 2.4.2时会自动安装最新版的paddlenlp 目前paddlenlp版本是2.6.0 该版本与paddlepaddle 2.4.2不兼容会报这个错

手动pip安装paddlenlp 2.5.2

参考：https://blog.csdn.net/qq_56942824/article/details/133776987