我目前正在尝试创建的 ML 项目需要帮助。

我从许多不同的供应商那里收到了很多发票——所有这些发票都有自己独特的布局。我需要从发票中提取3 个关键要素。这3 个元素都位于所有发票的表/行项目中。

这3个要素是：

1：关税编号（位数）
2：数量（总是一个数字）
3：总行金额（货币价值）

请参阅下面的屏幕截图，我在示例发票上标记了这些字段。

我使用基于正则表达式的模板方法开始了这个项目。然而，这根本不是可扩展的，我最终得到了大量不同的规则。

我希望机器学习可以在这里帮助我 - 或者可能是混合解决方案？

共同点

在我所有的发票中，尽管布局不同，但每个行项目将始终包含一个关税编号。此关税编号始终为 8 位数字，并且始终采用以下格式之一：

xxxxxxxx
xxxx.xxxx
xx.xx.xx.xx

（其中“x”是从 0 到 9 的数字）。

此外，正如您在发票上看到的那样，每行既有单价又有总金额。我需要的量总是每条线的最高量。

输出

对于上面的每张发票，我需要每一行的输出。例如，这可能是这样的：

{
    "line":"0",
    "tariff":"85444290",
    "quantity":"3",
    "amount":"258.93"
},
{
    "line":"1",
    "tariff":"85444290",
    "quantity":"4",
    "amount":"548.32"
},
{
    "line":"2",
    "tariff":"76109090",
    "quantity":"5",
    "amount":"412.30"
}

然后去哪儿？

我不确定我要做什么属于机器学习，如果是，属于哪个类别。是计算机视觉吗？自然语言处理？命名实体识别？

我最初的想法是：

将发票转换为文本。（发票都是可文本的 PDF，所以我可以使用类似的东西pdftotext来获取确切的文本值）
为和创建自定义命名实体quantitytariffamount
导出找到的实体。

但是，我觉得我可能错过了一些东西。

任何人都可以在正确的方向上帮助我吗？

从图像/文本中提取信息 - 方法？

共同点

输出

然后去哪儿？