【技术实现步骤摘要】
本专利技术属于计算机，尤其涉及一种识别pdf电子发票的方法。
技术介绍
1、随着电子发票的推行，越来越多的商家已经启用电子发票。作为员工报销的凭证，每到月末，企业的财务都要处理大量的电子发票的数据采集和信息处理工作。由此可见，快速准确地提取电子发票中的信息，是提高财务人员工作效率的关键技术。目前常见的自动识别电子发票有两种方法。一是把发票扫描生成图片格式的数据，通过ocr技术提取发票信息。一是通过分析文档数据提取发票信息。第一种方法，ocr技术对图片的质量有很高要求，越清晰的图片识别文字准确率越高，但生成和处理高质量图片对机器性能要求相对就高，处理时间也较长。发票里的图章、复杂汉字、字体大小都会影响ocr的准确率。第二种方法通过解析pdf文档获取unicode字符编码，通过编码提取文字信息。电子发票来源很多，第三方代发、不同平台预览下载等。不是正规渠道获取的发票，有字符编码不规范、排版混乱等问题。比如显示正常的发票，复制里面的文字黏贴到其他文档就会发现全是乱码，什么信息都识别不出来了。比如购买方和销售方位置对调了，购买方和销售方的信息也就对调了。比如线段异常，影响要通过线段划分区域来识别的信息。用第二种方法提取发票信息，需要超强的pdf文档解析能力，还要想办法解决数据异常带来的影响。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种识别pdf电子发票的方法，提高识别pdf电子发票成功率、准确率和效率；同时提取的商品信息，对发票进行分类。
2、为实现上述目的，本
3、获取待测电子发票的pdf文档，对所述文档进行预处理，获取预处理后的文档；
4、对所述预处理后的文档进行判断处理，获取判断后的文档；
5、对所述判断后的文档识别解析二维码，进一步识别表格；
6、对所述表格进行识别判断，进一步判断识别数据是否完整，数据完整情况下结合文本提取块，获取发票类型。
7、可选的，对所述文档进行预处理，获取预处理后的文档包括：
8、对所述文档提取文字、形状和图片，获取预处理后的文档。
9、可选的，对所述预处理后的文档进行判断处理，获取判断后的文档包括：
10、对所述预处理后的文档判断字体编码是否混乱，若所述字体编码混乱则采用ocr识别所述预处理后的文档获取判断后的文档；若所述字体编码正常则正常输出，获取判断后的文档。
11、可选的，对所述判断后的文档识别解析二维码包括：
12、对所述判断后的文档优化图片数据；
13、对优化后的图片数据进行定位二维码，确定二维码的边缘和角度；
14、根据所述二维码提取qr code矩阵中的数据和误差校验码，并对数据进行纠错处理；
15、根据qr code的编码规则，将每个字符的二进制数据映射为相应的字符。
16、可选的，识别表格，对所述表格进行识别判断包括：
17、将发票分割成若干区域，通过对形状的分析，识别出表格，并发票进行对比判断识别是否正确，正确时分析表格提取数据。
18、可选的，对未识别出表格的发票分析文本块提取数据。
19、可选的，判断识别数据是否完整，数据完整情况下结合文本提取块，获取发票类型包括：所述表格提取数据在数据完整的情况下，获取发票类型；
20、所述表格提取数据在数据不完整的情况下，分析文本块提取数据，获取发票类型。
21、可选的，分析表格提取数据包括：
22、把文档分为表格内、表格外两大块；
23、表格外识别发票编码、发票号码、开票日期、校验码信息；
24、表格内根据格子划分区域从左到右、从上到下排序，把每个区域内的文字分别提取出来，做分列、分行、分块处理；
25、通过语义分析找到购买方、销售方、商品信息相关的格子，精确定位信息。
26、可选的，分析文本块提取数据包括：
27、遍历所有文本块，通过关键字定位信息大概位置，再找出处在同一行的所有文本块，根据距离和语义分析得出具体信息。
28、本专利技术技术效果：本专利技术公开了一种识别pdf电子发票的方法，以解析pdf文档内容流为主，ocr技术为辅，多种方案相结合，利用二维码识别、表格识别、语义分析模型等技术，提高识别pdf电子发票成功率、准确率和效率；同时，提取的商品信息，对发票进行分类。
本文档来自技高网...【技术保护点】
1.一种识别PDF电子发票的方法，其特征在于，包括：
2.如权利要求1所述的识别PDF电子发票的方法，其特征在于，
3.如权利要求1所述的识别PDF电子发票的方法，其特征在于，
4.如权利要求1所述的识别PDF电子发票的方法，其特征在于，
5.如权利要求1所述的识别PDF电子发票的方法，其特征在于，
6.如权利要求5所述的识别PDF电子发票的方法，其特征在于，
7.如权利要求6所述的识别PDF电子发票的方法，其特征在于，
8.如权利要求7所述的识别PDF电子发票的方法，其特征在于，
9.如权利要求7所述的识别PDF电子发票的方法，其特征在于，
【技术特征摘要】
1.一种识别pdf电子发票的方法，其特征在于，包括：
2.如权利要求1所述的识别pdf电子发票的方法，其特征在于，
3.如权利要求1所述的识别pdf电子发票的方法，其特征在于，
4.如权利要求1所述的识别pdf电子发票的方法，其特征在于，
5.如权利要求1所述的识别pdf电...
【专利技术属性】
技术研发人员：张冀颖，
申请(专利权)人：赛博爱思上海软件科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。