Cum să extrageți elementele de linie de factură și tabelele structurate

Extractarea elementelor și tabelelor de linie din facturile este cheia pentru automatizarea completă a conturilor plătite, a auditurilor și a analizelor de cheltuieli. Aspose.OCR Invoice to Text for .NET vă permite să parsați date detaliate, multi-ro, multiple coloane – chiar și din documente scanate sau fotografiate.

Problema lumii reale

Facturile conțin tabele de produse/servicii – transcrierea manuală a acestora este timp-consumatoare și lipsită de eroare.

Soluție de ansamblu

Utilizați OCR pentru a recunoaște regiunile de tabel, parsați fiecare rând și coloană și exportați în formate structurate pentru ERP, BI sau analiza ulterioară.

Prevederile

• Visual Studio 2019 sau mai târziu
• .NET 6.0 sau mai târziu (sau .Net Framework 4.6.2+)
• Aspose.OCR pentru .NET de la NuGet
• Imagini de factură de eșantion sau PDF-uri cu elemente de linie / tabele

PM> Install-Package Aspose.OCR

Implementarea pas cu pas

string invoiceFile = "invoice_with_items.pdf";

using Aspose.OCR;
InvoiceRecognitionSettings settings = new InvoiceRecognitionSettings();
settings.Language = Language.English;
AsposeOcr ocr = new AsposeOcr();
OcrInput input = new OcrInput(InputType.PDF);
input.Add(invoiceFile);
List<RecognitionResult> results = ocr.RecognizeInvoice(input, settings);
string fullText = results[0].RecognitionText;

// Example: Split into lines, then columns (simplified)
string[] lines = fullText.Split(new[] { '\n' }, StringSplitOptions.RemoveEmptyEntries);
foreach (var line in lines)
{
    if (Regex.IsMatch(line, @"\d+\s+[A-Za-z].*\s+\d+[.,]\d{2}")) // crude line item match
    {
        string[] columns = line.Split(new[] { ' ' }, StringSplitOptions.RemoveEmptyEntries);
        // Map columns: SKU, description, qty, price, total, etc.
    }
}

using (var writer = new StreamWriter("invoice_lineitems.csv"))
{
    writer.WriteLine("SKU,Description,Qty,UnitPrice,Total");
    // Loop and write line items parsed above
}

using Aspose.OCR;
using System;
using System.IO;
using System.Text.RegularExpressions;
using System.Collections.Generic;

class Program
{
    static void Main(string[] args)
    {
        string invoiceFile = "invoice_with_items.pdf";
        InvoiceRecognitionSettings settings = new InvoiceRecognitionSettings();
        settings.Language = Language.English;
        AsposeOcr ocr = new AsposeOcr();
        OcrInput input = new OcrInput(InputType.PDF);
        input.Add(invoiceFile);
        List<RecognitionResult> results = ocr.RecognizeInvoice(input, settings);
        string fullText = results[0].RecognitionText;
        var lineItems = new List<string[]>();
        string[] lines = fullText.Split(new[] { '\n' }, StringSplitOptions.RemoveEmptyEntries);
        foreach (var line in lines)
        {
            if (Regex.IsMatch(line, @"\d+\s+[A-Za-z].*\s+\d+[.,]\d{2}"))
                lineItems.Add(line.Split(new[] { ' ' }, StringSplitOptions.RemoveEmptyEntries));
        }
        using (var writer = new StreamWriter("invoice_lineitems.csv"))
        {
            writer.WriteLine("SKU,Description,Qty,UnitPrice,Total");
            foreach (var item in lineItems)
                writer.WriteLine(string.Join(",", item));
        }
    }
}

Folosește cazuri și aplicații

Analiza cheltuielilor și automatizarea AP

Extract de cheltuieli pentru raportare, previziune și aprobare.

Auditul și revizuirea facturilor

Audit / aprobare cu detalii exportabile, citite de mașină.

Integrarea sistemului ERP/finanțelor

Încărcați direct datele tabloului structurat în software-ul financiar sau ERP.

Provocări și soluții comune

Provocare 1: Formate de masă variate

Soluție: Tunează logica de regex și parsing pentru fiecare furnizor / templat.

Challenge 2: Erorile de recunoaștere a OCR în coloane

Soluție: Utilizați heuristică coloană, solicitați scanări de înaltă calitate sau steag pentru revizuirea manuală.

Sfârșitul 3: Columne pierdute sau dispărute

Soluție: Normalizează, dividează sau revizuiește rapid cazurile ambiguă.

Considerații de performanță

• Batch procesează facturile multiple în paralel
• Log/flag parsing probleme pentru revizuirea umană

Cele mai bune practici

• Construiește o bibliotecă reggex pentru șabloane cunoscute
• Revizuirea rezultatelor de eșantion pentru tune parsing
• Fișierele originale/procesate securizate pentru audit
• Actualizează logica extracției ca schimbare a furnizorilor / templatelor

Scenarii avansate

Scenariul 1: Elementele de linie de hartă către ERP / bază de date direct

Utilizați apelurile ORM sau API pentru a împinge datele de tabel extractate.

Scenariul 2: Gestionarea tabelelor multi-pagini

Extindeți logica la parse prin pauzele de pagină PDF/imaginea.

concluziile

Aspose.OCR Invoice to Text for .NET face posibilă extragerea detaliate a elementelor și tabelelor din linia de factură – permițând automatizarea completă de la scan/foto la date structurate, executabile.

Vezi mai multe coduri de extracție structurate în Aspose.OCR pentru .NET API Referință .