python - Python:如何使用ML从各种PDF中提取特定数据

Question

在我当前尝试创建的ML项目方面需要帮助。
我从许多不同的供应商那里收到了很多发票-都是以他们自己独特的布局。我需要从发票中提取4个关键要素。这4个元素都位于所有不同发票的表/行/节中。
元素是:

帐单编号/发票编号

开票日期

SGST，CGST已应用

总金额/应付总金额/应付账单总额

输入文件:
Please find the input file link
我从基于正则表达式的模板方法开始了这个项目。但是，这根本无法扩展，我最终得到了许多不同的规则。
到目前为止，我已经应用了:

import textract
text = textract.process('datafile.pdf')

processed_text=text.lower()
processed_text= processed_text.replace('\n',' ')
processed_text= processed_text.replace('*',' ')
processed_text= processed_text.replace('/',' ')

from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
text_tokens = word_tokenize(processed_text)
text_without_stopwords = [word for word in text_tokens if not word in stopwords.words{}]
processed_text = " ".join(text_without_stopwords)

regex_invoice_no = re.compile(r"Invoice No\s*:\s*(\d+)")
regex_date = re.compile(r"Date of Billing\s*:\s*(\d\d\.\d\d\.\d{4})")
regex_SGST = re.compile(r"SGST:\s*:\s*(\d+)")
regex_CGST = re.compile(r"CGST:\s*:\s*(\d+)")
regex_total_due = re.compile(r"Total Amount Due:\s*:\s*(\d+)")

invoice_no= re.search(regex_invoice_no, output_string.getvalue()).group(1),
issue_date= re.search(regex_date, output_string.getvalue()).group(1),
sgst= re.search(regex_SGST, output_string.getvalue()).group(1),
cgst= re.search(regex_CGST, output_string.getvalue()).group(1),
amount= re.search(regex_total_due, output_string.getvalue()).group(1)}

print(invoice_no, issue_date, sgst,cgst, amount)

输出:
对于上述发票，我需要每个PDF的输出。例如，可能是这样的:

{
"Invoice No":"INXXXXXXXX",
"SGST":"260",
"CGST":"290",
"Date of Billing":"3-",
"Total Amount Due":"258.93"
}

Answer 1

我想那会是这样。

import PyPDF2
import re
mypdf = open('C:\\your_path\\your_file.pdf', mode='rb')
pdf_document = PyPDF2.PdfFileReader(mypdf)
pdf_document.numPages
first_page = pdf_document.getPage(0)
print(first_page.extractText())

pdf_document = PyPDF2.PdfFileReader(mypdf)
pdf_document.numPages

page_one = pdf_document.getPage(0)
first = re.findall(r'Invoice No', str(first_page.extractText()))
second = re.findall(r'SGST', str(first_page.extractText()))
third = re.findall(r'CGST', str(first_page.extractText()))
print(first,second,third)

first=str('Invoice Number:')+str(first)
second=str('SGST:')+str(second)
third=str('CGST:') + str(third)
final = first + second + third

print(final)

当然，您可以循环浏览一堆PDF文件，并将所有这些数据点附加到不断增长的列表中。
在ML方面，我无法告诉您您在做什么，但是您可以从下面的链接中找到一些很好的入门方法。
https://github.com/ASH-WICUS/Notebooks/blob/master/Natural%20Language%20Processing%20-%20Amazon%20Reviews.ipynb