最近一段時間，老板給我的任務(wù)是發(fā)票的結(jié)構(gòu)化識別焊虏。目前市面上成熟的結(jié)構(gòu)化文本識別已經(jīng)很多了港令，關(guān)于如何才能夠?qū)ψR別結(jié)果進行結(jié)構(gòu)化分析這個問題啥容，困擾了我已經(jīng)有段時間了锈颗。像百度OCR應(yīng)該是知名度數(shù)一數(shù)二的，它能提供幾乎所有的結(jié)構(gòu)化文本識別服務(wù)咪惠，而我很長時間只停留在識別圖片中的文字击吱，而不能對它進行結(jié)構(gòu)化分析，這種感覺也太難受了遥昧。直到昨天晚上覆醇，說來也奇怪，無緣無故失眠了炭臭，我就想：既然睡不著永脓，那就不如想想明天要干些什么，想到老板最近派的任務(wù)鞋仍，又想到這兩天看過的正則表達式常摧。那這正則表達式不就正是為了處理識別結(jié)果這種字符串的嘛。正好威创，現(xiàn)學(xué)現(xiàn)賣虽界，敲一波，供日后復(fù)習(xí)用嵌赠。

關(guān)鍵字段

1.發(fā)票代碼
2.發(fā)票號碼
3.開票日期
4.校驗碼
5.購買方信息
6.銷售方信息
7.價稅合計

對應(yīng)的正則表達式

1.發(fā)票代碼

(?:(?<!\d)\d{12}(?!\d))

2.發(fā)票號碼

(?:(?<!\d)\d{8}(?!\d))

3.開票日期

[0-9]{1,4}年[0-9]{1,2}月[0-9]{1,2}

4.校驗碼

(?:校驗碼:|校驗碼：)[0-9]{1,20}

5.購買方信息

名稱         (?:稱:|稱：)[\u4e00-\u9fa5]+
納稅人識別號  (?:納稅人識別號:|納稅人識別號：)\w+
地址叫榕、電話    (?:地址、電話:|地址详炬、電話：)[\-0-9\u4e00-\u9fa5]+
開戶行及賬號  (?:開戶行及賬號:|開戶行及賬號：)[0-9\u4e00-\u9fa5]+

6.銷售方信息

名稱         (?:稱:|稱：)[\u4e00-\u9fa5]+
納稅人識別號  (?:納稅人識別號:|納稅人識別號：)\w+
地址盐类、電話    (?:地址、電話:|地址呛谜、電話：)[\-0-9\u4e00-\u9fa5]+
開戶行及賬號  (?:開戶行及賬號:|開戶行及賬號：)[0-9\u4e00-\u9fa5]+

7.價稅合計

[零壹貳叁肆伍陸柒捌玖圓整角]+

完整代碼

import re
class invoice_m:
    """
    增值稅機打發(fā)票結(jié)構(gòu)化識別
    """
    def __init__(self, result):
        self.FLAG_NAME = True
        self.FLAG_NO = True
        self.FLAG_ADD_TEL = True
        self.FLAG_BANK_NO = True
        self.result = result
        self.N = len(self.result)
        self.res = {}
        self.code()  # 發(fā)票代碼
        self.number()  # 發(fā)票號碼
        self.date()  # 開票日期
        self.check_code()  # 校驗碼
        self.total_price()  # 價稅合計（小寫）
        self.purchaser()  # 購買方
        self.seller()  # 銷售方

    def code(self):
        """
        發(fā)票代碼識別
        """
        No = {}
        for i in range(self.N):
            txt = self.result[i].replace(' ', '')
            txt = txt.replace(' ', '')
            res1 = re.findall('(?:(?<!\d)\d{10}(?!\d))', txt)
            res1 += re.findall('(?:(?<!\d)\d{12}(?!\d))', txt)
            if len(res1) > 0:
                No['發(fā)票代碼'] = res1[0]
                self.res.update(No)
                break

    def number(self):
        """
        識別發(fā)票號碼
        """
        nu = {}
        for i in range(self.N):
            txt = self.result[i].replace(' ', '')
            txt = txt.replace(' ', '')
            res1 = re.findall('(?:(?<!\d)\d{8}(?!\d))', txt)
            if len(res1) > 0:
                nu["發(fā)票號碼"] = res1[0]
                self.res.update(nu)
                break

    def date(self):
        """
        識別開票日期
        """
        da = {}
        for i in range(self.N):
            txt = self.result[i].replace(' ', '')
            txt = txt.replace(' ', '')
            res1 = re.findall('[0-9]{1,4}年[0-9]{1,2}月[0-9]{1,2}', txt)
            if len(res1) > 0:
                da["開票日期"] = res1[0] + '日'
                self.res.update(da)
                break

    def check_code(self):
        """
        校驗碼識別
        """
        check = {}
        for i in range(self.N):
            txt = self.result[i].replace(' ', '')
            txt = txt.replace(' ', '')
            res = re.findall('校驗碼[0-9]{1,20}', txt)
            res += re.findall('碼[0-9]{1,20}', txt)
            res += re.findall('(?:校驗碼:|校驗碼：)[0-9]{1,20}', txt)
            if len(res) > 0:
                check['校驗碼'] = res[0].replace('校驗碼', '').replace(':', '').replace('碼', '').replace('：', '')
                self.res.update(check)
                break

    def total_price(self):
        """
        識別價稅合計（小寫）
        """
        total_pri = {}
        switcher = {
            "零": '0',
            "壹": '1',
            "貳": '2',
            "叁": '3',
            "肆": '4',
            "伍": '5',
            "陸": '6',
            "柒": '7',
            "捌": '8',
            "玖": '9',
            "圓": '.',
            "整": '00',
            "角": ''
        }
        for i in range(self.N):
            txt = self.result[i].replace(' ', '')
            txt = txt.replace(' ', '')
            res1 = re.findall('[零壹貳叁肆伍陸柒捌玖圓整角]+', txt)
            res2 = ''
            if len(res1) > 0:
                for j in range(len(res1)):
                    if len(res1[j]) > 1:
                        for k in range(len(res1[j])):
                            res2 += switcher[res1[j][k]]
                        if res1[j][-1] == "角":
                            res2 += '0'
                    else:
                        res2 += switcher[res1[j]]
                        if res1[-1] == "角":
                            res2 += '0'
                total_pri["價稅合計"] = '￥' + res2
                self.res.update(total_pri)
                break

    def purchaser(self):
        """
        購買方信息識別
        """
        purchaser_info = {}
        self.res.setdefault('購買方')
        for i in range(self.N):
            txt = self.result[i].replace(' ', '')
            txt = txt.replace(' ', '')
            name = re.findall('(?:稱:|稱：)[\u4e00-\u9fa5]+', txt)
            no = re.findall('(?:納稅人識別號:|納稅人識別號：)\w+', txt)
            add_tel = re.findall('(?:地址在跳、電話:|地址、電話：)[\-0-9\u4e00-\u9fa5]+', txt)
            bank_no = re.findall('(?:開戶行及賬號:|開戶行及賬號：)[0-9\u4e00-\u9fa5]+', txt)
            if len(name) > 0 and self.FLAG_NAME:
                self.FLAG_NAME = False
                purchaser_info['名稱'] = name[0].replace('：', '').replace(':', '').replace('稱', '')
            if len(no) > 0 and self.FLAG_NO:
                self.FLAG_NO = False
                purchaser_info['納稅人識別號'] = no[0].replace('：', '').replace(':', '').replace('納稅人識別號', '')
            if len(add_tel) > 0 and self.FLAG_ADD_TEL:
                self.FLAG_ADD_TEL = False
                purchaser_info['地址隐岛、電話'] = add_tel[0].replace('：', '').replace(':', '').replace('地址猫妙、電話', '')
            if len(bank_no) > 0 and self.FLAG_BANK_NO:
                self.FLAG_BANK_NO = False
                purchaser_info['開戶行及賬號'] = bank_no[0].replace('：', '').replace(':', '').replace('開戶行及賬號', '')
        self.res['購買方'] = purchaser_info

    def seller(self):
        """
        銷售方信息識別
        """
        seller_info = {}
        self.res.setdefault('銷售方')
        for i in range(self.N):
            txt = self.result[i].replace(' ', '')
            txt = txt.replace(' ', '')
            name = re.findall('(?:稱:|稱：)[\u4e00-\u9fa5]+', txt)
            no = re.findall('(?:納稅人識別號:|納稅人識別號：)\w+', txt)
            add_tel = re.findall('(?:地址、電話:|地址聚凹、電話：)[\-0-9\u4e00-\u9fa5]+', txt)
            bank_no = re.findall('(?:開戶行及賬號:|開戶行及賬號：)[0-9\u4e00-\u9fa5]+', txt)
            if len(name) > 0 and not self.FLAG_NAME:
                seller_info['名稱'] = name[0].replace('：', '').replace(':', '').replace('稱', '')
            if len(no) > 0 and not self.FLAG_NO:
                seller_info['納稅人識別號'] = no[0].replace('：', '').replace(':', '').replace('納稅人識別號', '')
            if len(add_tel) > 0 and not self.FLAG_ADD_TEL:
                seller_info['地址割坠、電話'] = add_tel[0].replace('：', '').replace(':', '').replace('地址、電話', '')
            if len(bank_no) > 0 and not self.FLAG_BANK_NO:
                seller_info['開戶行及賬號'] = bank_no[0].replace('：', '').replace(':', '').replace('開戶行及賬號', '')
        self.res['銷售方'] = seller_info