Checklist pentru OCR
Pentru documentele în limba română.
Lista de verificări
Diacriticele corecte
/[ÃǍ]/s→Ă;/[ãǎ]/s→ă;/Ş/s→Ș;/ş/s→ș;/Ţ/s→Ț;/ţ/s→ț;- de obicei
Î(majuscul) apare în tipar caI, se poate căuta după/(^I|[„….?!]\s?I)/.
Ghilimele și apostroafe
„(ghilimelele de început) pot apărea ca/,,/;/“/→”(ghilimele de sfîrșit), pot apărea ca/"/sau/''/;'→’(apostrof).
Liniuțe și elipse
—liniuță em;–liniuță en;―linie de dialog;…(elipsa) poate apărea ca secvență de două sau mai multe puncte:/.{2,5}/.
Caractere neașteptate
Regex-ul /[^a-zăâîșț0-9.,;:\s!?&\-–—―…„”’()]/i ar trebui să nu prea dea rezultate.
Dacă se folosește vreun limbaj de markup, mai pot fi excluse și caracterele aferente (
#_*>~[]pentru Markdown,</>pentru HTML etc.).
Punctuație
- Spațiu înainte de punctuație:
/\s[.,;:!?]/; - Lipsa spațiului după punctuație:
/[.,;:!?][^\s”…)]/; - Literă mică după punct:
/\.[\s”…)]*[a-zăâîșț]/s - Literă mică la începutul rîndului:
/^[a-zăâîșț]/s