从pdf或图像格式的发票中提取数据

Question

我正在开发发票解析器，该解析器从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，但使用包含表格的pdf提供了大量输出数据以进行处理。我无法获得通用的解决方案。我尝试了以下库

Invoice2Data ：它是基于模板的。到目前为止，它以json格式给出了相当不错的结果。但是为包含动态表的复杂pdf创建模板非常复杂。

Tabula ：表格提取基于要提取的表格的坐标。如果表格中的数据增加，表格长度会增加，因此坐标会发生变化，因此在这种情况下会给出错误的结果

Pdftotext ：它将所有pdf转换为文本，但格式需要大量我们不希望的解析。

Aws_Textract和Elis_Rossum_Ai ：以json格式提供所有数据。但是如果表列包含多行，则json解析将变得困难。即使给定的json的大小也很大，无法解析。

Tesseract ：与pdftotext相同。复杂的pdf无法解析。

除所有这些以外，或者结合上述库，任何人都无法解析复杂的pdf数据，请帮忙。

Answer 1

我正在处理类似的业务问题。由于发票没有固定格式，因此您不能直接使用任何文本解析方法。

要解决此问题，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，请按以下步骤操作：

1. 使用labelImg之类的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。 （为获得更好的结果，请使用不同类型的500-1000张发票）

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

3. 该模型将检测字段，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。 Click Here

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

希望我的回答对您有所帮助！支持答案，以达到最大人数。