Счета – это важные документы для бизнеса, однако извлечение из них информации может занять много времени и привести к ошибкам. Однако с помощью сервисов AWS, в частности Amazon Textract, вы можете автоматизировать процесс сканирования и извлечения информации из счетов-фактур. В этой статье блога мы рассмотрим различные методы и примеры кода для достижения этой цели.

Метод 1. Использование возможностей оптического распознавания символов Amazon Textract
Amazon Textract — это мощный сервис OCR (оптического распознавания символов), предоставляемый AWS. Он может извлекать текст и данные из отсканированных документов, включая счета-фактуры. Вот пример использования Textract для сканирования счета с помощью AWS SDK для Python (Boto3):

import boto3
def scan_invoice_with_textract(file_path):
    client = boto3.client('textract')
    with open(file_path, 'rb') as file:
        response = client.start_document_text_detection(
            Document={'Bytes': file.read()}
        )
    job_id = response['JobId']
    return job_id
# Usage
invoice_file = 'path/to/invoice.pdf'
job_id = scan_invoice_with_textract(invoice_file)

Этот фрагмент кода использует метод start_document_text_detectionдля инициирования процесса обнаружения текста в документе счета. Он возвращает идентификатор задания, который можно использовать для получения результатов позже.

Метод 2. Извлечение пар «ключ-значение» с помощью регулярных выражений
Во многих счетах есть определенные пары «ключ-значение», которые вы можете извлечь, например номер счета, дата, общая сумма и т. д. Регулярные выражения могут использоваться для извлечения этих значений. Вот пример:

import re
def extract_invoice_number(text):
    pattern = r"Invoice Number: (\d+)"
    match = re.search(pattern, text)
    if match:
        return match.group(1)
    else:
        return None
# Usage
invoice_text = "Invoice Number: 12345"
invoice_number = extract_invoice_number(invoice_text)

В этом фрагменте кода показано, как извлечь номер счета-фактуры с помощью шаблона регулярного выражения. Вы можете определить аналогичные шаблоны для других пар ключ-значение.

Метод 3. Обучение настраиваемых моделей машинного обучения.
Если у вас большое количество счетов-фактур с уникальной структурой и форматированием, обучение настраиваемой модели машинного обучения может быть полезным. Вы можете использовать сервисы AWS, такие как Amazon SageMaker, для обучения и развертывания собственной модели. Этот подход требует более глубоких знаний и подготовки данных, но может дать более точные результаты.

В этой статье мы рассмотрели различные методы сканирования и извлечения информации из счетов с помощью AWS. Мы начали с возможностей OCR Amazon Textract, которые обеспечивают простой способ извлечения текста из счетов-фактур. Затем мы обсудили использование регулярных выражений для извлечения определенных пар ключ-значение. Наконец, мы упомянули о возможности обучения пользовательских моделей машинного обучения для более сложных сценариев. Используя эти методы, компании могут автоматизировать обработку счетов, экономя время и уменьшая количество ошибок.