从 pdf 或图像格式的发票中提取数据
And*_*ath 6 ocr parsing invoice pdftotext tabula
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，但提供了大量输出数据以使用包含表格的 pdf 进行处理。我无法获得有效的通用解决方案为此，我尝试了以下库
Invoice2Data : 基于模板。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。
塔布拉：表提取是基于表中的坐标是extracted.If数据表中的增加在这种情况下，给出错误的结果表长度的增加并因此坐标changes.So。
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。但如果表列包含多行，那么 json 解析变得困难。即使给出的 json 解析的大小也很大。
正方体：与 pdftotext.Complex pdf 相同，不可解析。
除了所有这些或与上述库的组合之外，是否有人能够解析复杂的 pdf 数据，请帮忙。
我正在研究类似的业务问题。由于发票没有固定的格式，因此您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。为了更好地理解这里的步骤：
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。（为了更好的效果使用不同类型的500-1000发票）
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。
该模型将检测这些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 Pytessract OCR。点击这里
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，使其覆盖到最多的人。