receiptparser

摘要

一个用Python编写的收据和账单解析器。可以作为Python模块或CLI工具使用。

它最初基于receipt-parser，但已完全重写/替换。

到目前为止，仅支持德语收据，但可以通过简单的YAML配置文件添加其他国家。

识别率

为了开发这个工具，我使用了一组质量各异的182张收据。其中一些已经皱褶，大多数已经被折叠等。这组收据的结果是

Total:             182
Company found:     171
Postal code found: 158
Date found:        159
Amount found:      114

如果您的收据清晰、未皱褶且对比度良好，我预计成功率为97%-99%，但总额的识别可能更困难，可能接近75%。

在适用的情况下，我选择了自动化和质量而不是性能。例如，receiptparser会扫描每张图像两次，一次未锐化，一次锐化，这可以提高识别率约6%，但会增加扫描时间两倍。

安装

先决条件

• Python 3
• PIP3
• tesseract

通过PIP安装

pip3 install receiptparser

通过Git安装

pip3 install -r requirements.txt
pip3 install .

Python使用

from receiptparser.config import read_config
from receiptparser.parser import process_receipt

config = read_config('my_config.yml')
receipt = process_receipt(config, "my_receipt.jpg", out_dir=None, verbosity=0)

print("Filename:   ", receipt.filename)
print("Company:    ", receipt.company)
print("Postal code:", receipt.postal)
print("Date:       ", receipt.date)
print("Amount:     ", receipt.sum)

CLI使用

示例

这是一个简单的示例，用于从目录中读取所有图像（.jpg）并打印识别的数据到标准输出

receiptparser tests/data/germany/img/

您可以根据以下方式自定义输出

receiptparser -v0 --format "{date:%Y-%m-%d} - {company} - {postal} - {sum}.jpg" tests/data/germany/img/

在这种情况下，-v0 抑制任何输出，除了您在 --format FORMAT 参数中指定的输出。FORMAT 是一个 Python 格式字符串，具体请参考这里。格式字符串中可以使用以下值

• company: 识别的公司名称
• postal: 识别的公司邮政编码
• date: 识别的账单或收据日期
• sum: 账单或收据的美元（或欧元，或其他货币）金额

语法

usage: receiptparser [-h] [-c CONFIG] [--config-file CONFIG_FILE] [-t TESSERACT] [-f FORMAT] [-v {0,1,2}] input

positional arguments:
  input                 file or directory from which images will be read

optional arguments:
  -h, --help            show this help message and exit
  -c CONFIG, --config CONFIG
                        built-in config to use
  --config-file CONFIG_FILE
                        like -c, but point to a file instead
  -t TESSERACT, --tesseract TESSERACT
                        output directory for OCR recognized text (default is to discard)
  -f FORMAT, --format FORMAT
                        format of the recognized output. default is pretty-printing
  -v {0,1,2}, --verbosity {0,1,2}
                        increase output verbosity