如何从扫描收据生成的文本字符串中提取数据？

嘿，刚好之前做过类似的收据数据提取需求，给你分享几个实用的方案，从简单到复杂都有：

一、先做基础文本清洗（预处理） #

扫描转出来的文本大概率会有乱码、多余空格或者换行错位的问题，先做一步预处理能省很多麻烦：

• 把连续多个空格替换成单个，规整文本排版；
• 对齐菜品名称和对应金额的位置（像你示例里菜品和金额是按顺序一一对应的，先把这两行的内容匹配好）；
• 统一日期、时间的格式，比如把「2013年1月19日」转成标准的YYYY-MM-DD格式，方便后续提取识别。

二、基于正则表达式的规则提取（适合固定格式的收据） #

如果你的收据格式比较统一（比如这家George's的排版基本不变），用正则是成本最低、见效最快的方法：

• 提取餐厅基础信息：用正则匹配开头的餐厅名、地址、电话，示例正则：

  ^(.+?)\s+(\d+\s+\w+ Street)\s+(\w+\s+\w+)\s+(\w+\s+\d+)\s+(\d{3}-\d{3}-\d{4})
  

  可以分别提取出餐厅名、街道地址、城市区域、邮编、联系电话。
• 提取订单元数据：针对服务员、日期、桌号这些信息，用正则匹配关键词后的内容：

  服务员：(.+?)\s+(\d+年\d+月\d+日)\s+桌号(\d+/\d+)\s+晚上(\d+:\d+)\s+客人：(\d+)\s+单号(\d+)
  

• 提取菜品与对应金额：观察到菜品和金额是按顺序排列的，先提取所有非数字的菜品名称，再提取所有\d+\.\d+格式的金额，然后按位置一一配对即可。
• 提取汇总金额：匹配「小计」「税费」「总计」这些关键词后的数字：

  小计\s+税费\s+(\d+\.\d+)\s+(\d+\.\d+)\s+总计\s+(\d+\.\d+)\s+应付余额(\d+\.\d+)
  

三、OCR+结构化解析工具（适合格式多变或带手写内容的收据） #

如果扫描的收据格式不固定，甚至有手写内容，先要用OCR工具把图片转成清晰的文本，再用专门的收据解析库处理：

• 比如用Python的pytesseract做OCR转文本，再搭配invoice2data库——这个库可以通过自定义模板来匹配提取结构化数据，你可以针对George's的收据格式写一个yaml模板，定义好要提取的字段规则。
• 简单示例代码：

  from invoice2data import extract_data
  from invoice2data.extract.loader import read_templates
  
  # 加载你自定义的收据模板
  custom_templates = read_templates('/path/to/your/george_template.yaml')
  # 从扫描件图片提取数据
  receipt_data = extract_data('/path/to/your/receipt_scan.jpg', templates=custom_templates)
  print(receipt_data)
  

  模板里可以明确指定“单号”“总计”等关键词的匹配规则，非常灵活。

四、预训练NLP模型（适合大量多样化收据） #

如果需要处理很多不同格式的收据，规则和模板不够用，可以用预训练的信息抽取模型：

• 比如基于BERT的预训练模型，针对收据场景做微调，定义好要提取的实体类型：餐厅名、地址、菜品、金额、日期、单号等；
• 也可以直接用Hugging Face上现成的文档抽取模型，输入文本就能自动识别并提取结构化实体，不用自己从零训练。

小Tips #

• 先收集一批同类型的收据，总结它们的排版规律，优先用正则或模板方案，成本最低见效最快；
• 扫描的时候尽量保证图片清晰、光线充足，不然OCR识别出错会直接影响后续的数据提取。

内容的提问来源于stack exchange，提问作者santa