从发票中提取 pdf 或图像格式的数据

Question

我正在开发发票解析器，它从 pdf 或图像格式的发票中提取数据。它适用于具有非表格数据的简单 pdf，但提供大量输出数据以使用包含表格的 pdf 进行处理。我无法获得工作通用的解决方案。我尝试过以下库

Invoice2Data：它是基于模板的。到目前为止，它在json格式中给出了相当好的结果。但是包含动态表的复杂pdf的模板创建很复杂。

Tabula：表格提取是基于要提取的表格的坐标。如果表格中的数据增加，则表格长度增加，从而坐标发生变化。所以在这种情况下会给出错误的结果。

Pdftotext：它将任何 pdf 转换为文本，但其格式需要大量解析，而这是我们不想要的。

Aws_Textract 和 Elis_Rossum_Ai ：以 json 格式给出所有数据。但是如果表列包含多行，则 json 解析变得困难。即使给出的 json 解析起来也很大。

Tesseract：与 pdftotext 相同。复杂的 pdf 不可解析。

除了所有这些或结合上述库之外，还有人能够解析复杂的 pdf 数据吗？请帮忙。

Answer 1

我正在解决类似的业务问题。由于发票没有固定格式，所以不能直接使用任何文本解析方法。

要解决这个问题，您必须使用计算机视觉（深度学习）进行现场检测，并使用 Pytesseract OCR 将图像转换为文本。为了更好地理解，请执行以下步骤：

1. 使用 labelImg 等工具将发票转换为图像，并使用地址、金额等字段对图像进行注释。 （为了更好的效果使用不同类型的500-1000发票）

2. 生成 XML 文件后，训练任何对象检测模型，如 YOLO 或 TF 对象检测 API。

3. 模型将检测字段并为您提供感兴趣区域 (ROI) 的坐标。喜欢

4. 在 ROI 坐标上应用 Pytessract OCR。 点击这里

5. 最后，使用正则表达式验证提取字段中的文本并执行任何必要的操作/转换。最后将数据存储到 CSV 或数据库。

希望我的回答对您有帮助！对答案进行投票，使其覆盖最多的人。

Answer 2

尝试https://doqlens.com。 它有两种方法，首先直接选择表头，然后以json形式导出表数据。 其次，您需要为发票文件创建一个模板，下次只需上传发票即可提取表数据（如果需要再次提取同类发票，这很有用）