verarong/pdfreceiptextract

bank_receipt,invoice,pdf,银行回单,通用pdf信息提取

银行回单PDF解析

• 请求接口
• 回调接口
• 解析数据持久化
• 工程部署
• 已知字段解析策略
• 未知字段解析策略
• 表格类字段解析策略
• 换行字段解析策略
• 重名字段解析策略

请求接口

PDF解析服务接口支持批量请求，所有的pdf请求需组装为一个列表（单张pdf也需要装入列表），列表每个元素的结构体需提供唯一的请求批次号RequestId、文件路径ReceiptUrl、公司编号CompanyId、银行类型BankType：

{
    Receipts ：[{
        RequestId: str，
        ReceiptUrl: str，
        CompanyId: str，
        BankType: str    //一期支持"china_bank","construction_bank"
    },……
    ]
}

收到请求后立刻响应返回：

{
    Code :"succeed",
    State:"progressing"
}

回调接口

当单张pdf解析完成后（如果请求时批量请求，则每张pdf完成单独回调），将解析结果持久化至ufile，并使用回调接口通知请求方

成功：
{
    Code："succeed"，
    RequestId: str，
    ParseScoreUrl: str，
    CompanyId: str，
}

失败：
{
    Code："failed"，
    RequestId: str，
    CompanyId: str，
    Exception: str     //如没有读取到pdf、解析异常、RequestId等
}

解析数据持久化

每张回单的解析结果内涵字段提取值、所属页码

{
    'page_1':{
        'code':'succeed',
        'total':2,
        'receipt_1_1': 
            {'page':1,
              title': '国内支付业务付款回单',
              '客户号': '321799945',
              '日期': '2020年01月03日',
              '付款人账号': '474162006647',
              '收款人账号': '32250199759100000172',
              '付款人名称': '苏州宏强企业服务有限公司',
              '收款人名称': '吴中经济技术开发区兴鑫快餐配送部',
              '付款人开户行': '**银行苏州馨都广场支行',
              '收款人开户行': '**建设银行股份有限公司吴中经济开发',
              'undefined_2': '区支行',
              '金额': 'CNY55,000.00',
              'undefined_3': '人民币伍万伍仟元整'},
        'receipt_1_2': 
            {'page':1,
              'title': '国内支付业务付款回单',
              '客户号': '321799945',
              '日期': '2020年01月03日',
              '付款人账号': '474162006647',
              '收款人账号': '10552701040011061',
              '付款人名称': '苏州宏强企业服务有限公司',
              '收款人名称': '苏州欣杰通服务外包有限公司',
              '付款人开户行': '**银行苏州馨都广场支行',
              '收款人开户行': '**农业银行股份有限公司苏州长江路支',
              'undefined_2': '行',
              '金额': 'CNY6,000.00',
              'undefined_3': '人民币陆仟元整'}
    }
 }

工程部署

基于docker-compose进行fastapi工程的一键部署，通过PaaS平台的k8s实现工程的动态横向扩容

已知字段解析策略

1、对于有显式的冒号字段，直接解析key、value

2、配置已知字段表，通过正则匹配寻找字段值

未知字段解析策略

1、对于回单票面没有字段名，但容易区分的（如日期类2020年01月03日），使用正则确定类型

2、对于其他值，依次分配字段名为 undefined_n

表格类字段解析策略

暂定：配置表格类列字段名，在正则找到anchor后，使用相对位置信息找到多个值，组装列表

换行字段解析策略

暂定：配置可能换行的字段名，在正则找到anchor后，使用相对位置信息找到所有合法的文本框，进行合并

重名字段解析策略

暂定：配置可能重名的字段，使用位置信息确定