我打算创建一个移动应用程序，它可以扫描商店生成的帐单/发票，并从中提取关键功能，如商店名称，地址，购买的商品，帐单价值等。 我知道我可以使用OCR从账单中提取文本（扫描的账单或账单的照片）但是我如何提取所有这些细节？使用什么方法？
答案 0 :(得分：6)
好吧，对于你正在尝试构建的应用程序将有4个阶段
数据提取 - 系统应该能够提取以DOC，PPT和PDF等文件格式存储的文本数据。 系统还应该能够从图像中提取数据。
数据识别 - 数据提取的下一步是根据用户定义的模式识别数据。
数据分类 - 按用户定义的类别进行分类。
数据处理 - 根据此流程中标识的数据类别执行不同的操作。
你是对的 - 需要处理 OCR ，即光学字符识别
OCR是将打字，手写或打印文本图像机械或电子转换为机器编码文本，无论是扫描文档还是文档照片。
市场上也有许多解决方案可供商业产品或图书馆使用..
商业产品：
Google文档（免费）
ABBYY FineReader Pro （付费）
OmniPage标准（付费）
Readiris Pro （付费）
但如果您仍想为自己构建自己的产品，可以使用 TESSERACT-OCR - 您可以使用 Java / Python 构建您的应用。 Tesseract是最准确的开源OCR引擎。
它与Leptonica图像处理库结合使用，可以读取各种图像格式，并将其转换为60多种语言的文本。
此外，您还需要使用 APACHE TIKA - Apache Tika是一个用于从各种文件格式进行文档类型检测和内容提取的库。
在内部，Tika使用各种现有的文档解析器和文档类型检测技术来检测和提取数据。
使用Tika，可以开发通用类型检测器和内容提取器，以在一定程度上提取结构化文本以及来自不同类型文档的元数据，例如电子表格，文本文档，图像，PDF甚至多媒体输入格式。
Tika提供了一个用于解析不同文件格式的通用API。它为每种文档类型使用83个现有的专用解析器库。
所有这些解析器库都封装在一个名为Parser接口的接口下。
Apache Tika™工具包可从超过一千种不同的文件类型（如PPT，XLS和PDF）中检测和提取元数据和文本。
所有这些文件类型都可以通过单一界面进行解析，使Tika对搜索引擎索引，内容分析，翻译等非常有用。
最好一起使用TIKA Server和Tesseract OCR。
这一切将包括通过Inception API与Google的Tensorflow图像识别集成，使用OCR改进PDF解析，消息解析和MIME检测
Google愿景API - 如果您使用Google云端平台构建解决方案
Google Vision API支持网络上使用的大多数图片格式，包括GIF，BMP，WebP，Raw，Ico等
测试未显示基于图像格式的任何性能或质量问题，尽管JPEG等有损格式在极低分辨率（即低于1MP）下可能会显示更差的结果。
Google Cloud Vision仅接受存储在Google云端存储上的文件
Vision的批处理支持限制为每个请求8MB。因此，1000个现代图像的相对较大的数据集可能很容易需要超过200个批量请求。
<强> 结论
为获得最佳效果，Apache TIKA必须与TESSERACT OCR一起使用，TESSERACT OCR是开源解决方案，成本核算为0，即零。
但是，如果OCR是他们的关键功能并且正在寻找可靠的东西，那么谷歌视觉API再次更具特色，准确和快速。
是的，它将包含费用，它将被视为付费解决方案。
答案 1 :(得分：1)
我发现的最好的选项是Cloudmersive OCR，它也是免费的，并且可以与大多数编程语言（C＃，Java，Objective-C，Ruby，PHP等）一起使用：
它可以自动识别照片中的文档，收据或账单，然后非常可靠地自动提取文本。
我现在正在生产中的业务应用程序上使用它，到目前为止效果很好。
答案 2 :(得分：0)
这取决于您愿意推出多少解决方案。帐单的问题在于，每家商店的帐单看起来都非常不同（即使他们使用的是相同的会计软件，也常常很奇怪），再加上嘈杂的OCR，不仅意味着数据中可能存在错误，而且标签文本中可能用于匹配数据字段。总而言之，通过OCR +规则匹配（例如Abbyy FineReader + Apache Tika，如另一个答案所建议）之类的天真方法来做到这一点将是一种非常脆弱的方法。
如今，您可以获得更好的解决方案，但是由于它们基于最先进的AI，因此如果没有大量的深度学习知识，它们将很难在家庭中成长。最好的方法是仅使用在线服务，最受欢迎的服务是免费的，以处理少量数据。特别值得注意的可能是：
（免责声明：我隶属于Elis的供应商Rossum。请随意建议添加其他API的修改！）