前端工程师后段工程师_工程师如何在会计中生存

最新推荐文章于 2024-09-15 19:46:31 发布

danpie3295

最新推荐文章于 2024-09-15 19:46:31 发布

阅读量127

点赞数

文章标签： java python 人工智能大数据编程语言

原文链接：https://www.javacodegeeks.com/2016/09/engineer-supposed-survive-accounting.html

版权

前端工程师后段工程师

经营自己的“乐趣”之一就是处理会计。

现在，为了生存，我尝试了一些类似的操作：

一件无聊的事情是整理我必须支付的收据和发票：差旅费，书本费，会议费等。您明白了。

为什么我需要使用软件在PDF文件中查找日期

理想情况下，我希望有一个工具可以将收据与银行对账单中的行进行匹配，并生成一些报告，这些报告可能会使我的业务顾问感到非常高兴。

这样做的第一步是拥有一个工具，该工具可以使一堆PDF可以将日期与它们关联。一旦获得日期，我便知道要考虑的银行对账单的哪几行，并且可以进行匹配（也许还要考虑金额）。

第一步：从PDF中提取文本

有两种可能的情况：PDF已经包含文本，或者PDF是简单的图像，我们需要使用OCR技术识别文本。

在第一种情况下，事情相对容易。我们使用PDFBox提取文本：

fun getTextInPdf(fileName: String): List<PieceOfText> {
    val reader = PdfReader(FileInputStream(File(fileName)))
    val n = reader.numberOfPages
    var i = 0
    val listener = MyTextRenderListener()
    val processor = PdfContentStreamProcessor(listener)
    while (i<n) {
        val page = reader.getPageN(i + 1)
        val resourcesDic = page.getAsDict(PdfName.RESOURCES)
        processor.processContent(ContentByteUtils.getContentBytesForPage(reader, i + 1), resourcesDic)
        i++
    }
    reader.close()
    return listener.process()
}

但是，当然，现实生活总是会带来惊喜。有些PDF每段包含一个块（太棒了！），而另一些PDF 每个字母则包含一个块。这意味着我们必须查看每个字母的位置，看看它是否与另一个字母相邻。在这种情况下，我们需要将它们合并以获得单词。

如果PDF中没有文本，则需要采用OCR技术。我使用过用C ++编写的tesseract 。为了在JVM中使用它，我使用了javacpp-presets 。

一旦获得了文本块，就需要将其分成单词序列。这部分相对容易，但并不像预期的那么琐碎，因为我们需要跟踪每个单词的确切位置。因此，在单词中分割一个块时，需要进行一些数学运算才能找到每个单词的边界。