批量识别PDF/PNG/JPG发票到EXCEL

最近遇到不少会计财务类朋友给我说发票处理很麻烦，识别出来要么数据不对，要么缺少关键的字段。就用业余时间研究了下，看能够写出一个比较好的工具不

问题一：数据识别错误

读取pdf类的文件，识别的精准度是非常高的，我测试了70个发票，都精准获取到数据了，但也确实不能100%保证数据一定是正确的，总的来说，这块技术还是相当的成熟，用起来也很稳定

核心是图片文本的识别，图片文本设计用到ocr技术，识别效果比较差，经常出现错别字，数据错位的情况。我测试了十几种ocr技术，发现效果最好的还是谷歌的ocr，但谷歌的块成本和价格比较高，总的来说这块也可以解决，只要舍得成本

问题二：字段缺失

这个问题在于识别出来的文本并不是规范且结构化的，难以通过正则获取需要的字段。所以这一块是需要我花费大精力研究的领域，通过定位、标记算法，现在能够较好的识别出一些特别的字段，比如备注、商品名称、税率等

问题三：发票类型不兼容

因发票格式多种多样，导致识别出来的文本也是各种情况都有，要兼容各种情况是非常有挑战的，我目前的思考是先把常见的发票类型给解决了再说，比如增值税发票、机票等，这个非常有挑战性，只能case by case的去做了，也很希望能够知道他们需要解析哪些类型的发票

几乎上面的问题都解决了

可以无偿分享软件包