我正在开发发票解析器,它从 pdf 或图像格式的发票中提取数据。它适用于具有非表格数据的简单 pdf,但提供大量输出数据以使用包含表格的 pdf 进行处理。我无法获得一个有效的通用解决方案为此。我尝试了以下库
Invoice2Data:它基于模板。到目前为止,它以 json 格式给出了相当好的结果。但是包含动态表的复杂 pdf 的模板创建很复杂。
表格:表格提取是基于要提取的表格的坐标。如果表格中的数据增加,表格长度会增加,因此坐标会发生变化。所以在这种情况下会给出错误的结果。
Pdftotext:它将任何 pdf 转换为文本,但格式需要我们不想要的大量解析。
Aws_Textract 和 Elis_Rossum_Ai:以 json 格式给出所有数据。但是如果表列包含多行,则 json 解析变得困难。即使给出的 json 大小也很大,无法解析。
Tesseract:与 pdftotext 相同。复杂的 pdf 文件不可解析。
除了所有这些或上述库的组合之外,是否有人能够解析复杂的 pdf 数据,请帮助。