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中的发票中提取数据，或者图像format.It用非表格数据处理简单的pdf，但是给出了大量的输出数据，用包含表格的pdf处理。我无法找到一个通用的解决方案。

Invoice2Data：它基于templates.It，在json格式下给出了相当好的结果，直到包含动态表的复杂pdfs的now.But模板创建才变得复杂。

Tabula：表提取基于表的坐标为extracted.If，表中的数据增加了表的长度，因此坐标changes.So在这种情况下给出了错误的结果。

Pdftotext：它将任何pdfs转换为文本，但格式需要大量解析，而我们不想要这种格式。

Aws_Textract和Elis_Rossum_Ai：给出json format.But中的所有数据，如果表列包含多行，那么json解析就变成difficult.Even，json给出的解析规模很大。

Tesseract：与pdftotext.Complex相同，pdfs是不可解析的。

除了所有这些或以上库的组合，任何人都能解析复杂的pdf数据，请帮助。

Answer 1

我正在处理一个类似的商业问题。由于发票没有固定的格式，所以不能直接使用任何文本解析方法。

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

1. 将发票转换成图像，并使用像labelImg这样的工具用地址、数量等字段对图像进行注释。(为了取得更好的效果，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，如YOLO或TF对象检测API。
3. 该模型将检测字段并给出感兴趣区域(ROI)的坐标。喜欢

1. 在ROI坐标上应用Pytessract OCR。Click Here
2. 最后，使用regex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。

希望我的回答对你有帮助！向上投票的答案，使它达到最大的人。