借助OCR和正则表达式，复旦博士用130行代码核查核酸报告，800份只需要2分钟！-轻识

来源：大数据文摘
本文约2000字，建议阅读5分钟
800张图只要2分钟，程序已封装。

近日，根据复旦大学报道，学校信息科学与工程学院博士生李小康使用OCR和正则表达式帮助学院几分钟核查完数百人核酸完成截图，大大提高了核查效率和精度。

相关话题在知乎上也引起了众多讨论，目前该话题已经得到了300多万次浏览。

用OCR和正则表达式“防疫”

首先，我们需要简单介绍一些OCR。

OCR，英文全称Optical Character Recognition，即光学字符识别，也可简单地称为文字识别，这是文字自动输入的一种方法。

OCR主要是通过扫描和摄像等光学输入方式获取纸张上的文字图像信息，利用各种模式识别算法分析文字形态特征可以将票据、报刊、书籍、文稿及其它印刷品转化为图像信息，再利用文字识别技术将图像信息转化为可以使用的计算机输入技术。

李小康表示，“OCR可以把图像中的文字识别出来，转换为文本信息，就方便用来核查了。而且因为核酸截图是打印字体，识别率非常高，几乎可以做到100%准确”。

一张截图中的文本信息很多，包括脱敏处理的姓名、证件类型、证件号码、采样时间、组织机构等内容，但不是所有信息都有用。其中姓名、采样时间、是否已采样最为关键，是需要检索筛选出的内容。

在此基础上，李小康想到了Python语言中的正则表达式。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串，在很多文本编辑器里，正则表达式通常被用来检索、替换那些匹配某个模式的文本。

“使用正则表达式就可以把想要的信息从OCR识别的文本中筛选出来。最后，确认好每张截图里的姓名、检测时间和是否已采样等信息后，再把所有人的结果输出到Excel文件中，方便人工确认。”

3月15日晚，李小康花了一个多小时就写出了初始代码，共130行，发现确实能够跑通，且运行效率很高。利用自己班上的核酸截图数据上进行验证后发现，程序不仅准确率高、运行时间短，80多张图只用了20多秒就完成了，还发现了此前人工核查没有发现的问题。

800张图只要2分钟，程序已封装

三月初以来，复旦启动了常态化核酸筛查工作，班级辅导员必须核查，“不漏一人”。

作为生物医学工程专业博士生，研究方向是医学影像与人工智能，李小康平常会接触很多图像处理方法，他表示，自己开发这个程序的初衷是为了减少自己和身边老师的工作量。

“虽然原理也很简单，只要是会写代码的人第一时间就会明白是怎么回事，但是不做相关工作的感受不到这件事情的费时费力，自然也不会想出办法。我只是用我学到的知识解决实际工作中的困难。”

李小康把这件事发到朋友圈之后，不少学工的同事表示很感兴趣，他也把代码分享了出去，让有需求的老师们都能及时使用。“因为程序使用Python语言编写，代码注释也写得很完整，只要会使用Python，就可以很快上手。”

为了方便不会编程的老师使用，李小康最后还把程序进行了封装。“大家需要用的时候，只要在命令行输入一行代码就可以运行，非常简单。”

目前，程序已在该学院开始服务。李小康曾让别的老师试用自己的程序进行核查。800幅截图，原来要几个人核对一个多小时，现在只需等2分钟就拿到结果。

网友：这种洞察问题并解决问题的能力和意识值得肯定

在知乎上，不少网友对此也表示出了相当的赞赏。

比如知乎用户@AimiBritni就表示，这个产品本身并没有特别出彩的地方，但是“这种洞察问题并解决问题的能力和意识”十分值得我们学习。

同时，也有不少网友在这基础之上，贡献了自己针对防疫和抗疫的想法。比如知乎用户@第一大明白就写到：

如果流调人员有一个专业的应用程序，用该应用程序扫一下阳性病例的健康码，便可自动识别阳性病例的个人信息，与此同时，该程序调用公安、工信、支付等各系统掌握的有关阳性病例在各场所行动轨迹的数据，先按照已被各部门掌握的数据生成一个半成品的行动轨迹，该轨迹内容不为流调人员所见，之后在应用程序前端按照时间、地点等要素生成表单，流调人员可以通过询问阳性病例来填写大数据中没有的信息，填写时，地点都自动联系国家地名库中的标准地名，之后一键生成初级流调信息报告，流调人员再通过目前采用的验证方式完成流调信息的确认，生成最终的流调报告。

链接：

https://www.zhihu.com/question/526681561/answer/2431023725

但是在这背后，我们仍然不能忽略了一些基本的事实。那就是防疫几年，核酸数据仍然没有一个全国统一公开的API接口，一个技术上没有任何难度的小功能，却没有一个健康码系统率先开发并提供。

防疫固然重要，但如何将信息化进程与防疫结合，让志愿者从事更有意义的工作与服务，也是需要思考的问题。