从 pdf 或图像格式的发票中提取数据

Posted 2023-02-15

【中文标题】从 pdf 或图像格式的发票中提取数据

【英文标题】：Extracting data from Invoices in pdf or image format

【发布时间】：2019-10-10 04:44:47

【问题描述】：

我正在开发发票解析器，它以 pdf 或图像格式从发票中提取数据。它适用于具有非表格数据的简单 pdf，但会提供大量输出数据以使用包含表格的 pdf 进行处理。我无法获得为此工作的通用解决方案。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，表格长度会增加，因此坐标会发生变化。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，但格式需要我们不想要的大量解析。

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很大，也无法解析。

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

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

【问题讨论】：

您是否尝试过使用 MS Word 打开 PDF，将其保存为 xml，然后进行解析？

【参考方案1】：

我正在处理类似的业务问题。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。

要解决此问题，您必须使用计算机视觉（深度学习）进行字段检测，使用 Pytesseract OCR 将图像转换为文本。为了更好地理解这里是步骤：

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。 （为了获得更好的结果，请使用不同类型的 500-1000 发票）

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

模型将检测字段并为您提供感兴趣区域 (ROI) 的坐标。喜欢

在 ROI 坐标上应用 Pytes-s-ract OCR。 Click Here

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 OR 数据库中。

希望我的回答对你有帮助！为答案投票，以便让最多的人参与。

【讨论】：

请分享上述脚本的任何示例脚本，以便进一步探索。

希望对您有所帮助：Medium.