如何从收款机收据的Google OCR转储文本csv文件中提取特定数据
我只是一个学习Python for ML的初学者。我正在自学NLP，我有一个问题。我有一个csv文件与光学字符识别阅读收据(100个观察值)...one收据每个单元。一个回执的例子如下( csv中的信息以这种方式读取)：
text = '''ㅎㅎ
Fresh Food
The fresh food people
5619 Lorem PH: 00 0000 0000
204 Some Road
TAX INVOICE - ABN 88 000 014 675
Gift Card Visa Varbl 20to500Dollars
Potato White Washed 2Kg
Nescafe Coffee Blend 43 50g
^HToblerone Milk Chocolate Bar 50g
^HOreo Cookie Original 133g
#M&Ms Crispy 145g
*HRed Rock Deli Portgse Chicken 150g
^HWrigleys Extra Pepprmint 14pc 27g
Qty
57.95
3.50
5.00
0.90
1.50
4.50
3.50
2 @ $1.80
each
3.60
$80.45
9 SUBTOTAL
TOTAL
$80.45
REWARDS SAVINGS
$10.00
Fresh Food
5619
Lorem'''然而，收据通常是非结构化的(即，有些项目比其他项目具有更多的行和附属信息)在布局中有3个内容非常结构化，我正在尝试提取这些信息:小计金额(总是出现在合计之前)，总金额(总是出现在小计之后)，以及购买的商品列表(总是出现在ABN数字之后，结束于‘Qty’之前)
我是这样开始的：
re.split(r'\s+', text) --->splits the string into a list of words‘®…Ž?Â…Ž‘，'Freah'，’食品‘，'The'，'fresh'，'food'，'people'，'5619'，'Unley'，'PH:'，'00'，'0000'，'0000'，'204'，’一些‘，’路‘，’税‘，’发票‘，'-'，'ABN'，'88'，'000'，'014'，'675'，’礼物‘，’卡‘，‘'Visa'，'Varbl'，’20to500美元‘，’土豆‘，’白‘，’洗净‘，’2 2Kg‘，'Nescafe'，'Coffee'，'Blend'，'43'，'50g'，'^HToblerone'，'Milk'，'Chocolate'，'Bar'，'50g'，'^HOreo'，'Cookie'，'Original'，'133g'，'#M&Ms'，'Crispy'，'145g'，'*HRed'，‘摇滚’，‘熟食店’，'Portgse'，‘鸡肉’，'150g'，'^HWrigleys'，'Extra'，'Pepprmint'，'14pc'，'27g'，'Qty'，'57.95'，'3.50'，'5.00'，'0.90'，'1.50'，'4.50'，'3.50'，'2'，'@'，'$1.80'，'each'，'3.60'，'$80.45'，'9'，'SUBTOTAL'，'TOTAL'，'$80.45'，‘奖励’，‘储蓄’，'$10.00'，‘新鲜’，‘食品’，'5619'，'UNLEY'，'SA'，'TCDM'，'ID.'，‘谢谢’，‘您’，'tor'，‘购物’，‘有’，‘我们’，‘商店’，'5619'，‘'POS'，'065'，'TRANS'，'8660'，'13:39'，'04/08/2021’
x = re.search('SUBTOTAL', text)
print(x.group())
y = re.search('TOTAL', text)
print(y.group())小计
合计
现在我试图获得小计前的数字(9)和总数($80.45)后的数量...I尝试循环通过文本列表和尝试正则表达式，但我不能得到我的want....Also，我被难住了，我如何才能提取项目购买(字符串之间的文本‘荷兰银行88 000 014675’和‘数量’，虽然拆分已拆分的ABN和数字作为不同的词，因为well...so它再次成为一个问题。
我做错了什么？我该如何解决这个问题呢？我想到了遍历文本：
for sentence in text:(再说一次，然后使用what...how来达到我想要的行数)
任何帮助都将不胜感激。
回答 1
Stack Overflow用户
发布于 2021-10-16 23:08:21
您可以使用正则表达式
(?s)^(?=.* ABN \d{2}(?: \d{3}){3}\n(?P<products>.*\n)Qty\n).*\n\$(?P<subtotal>\d+\.\d{2})\n\d+ SUBTOTAL\.*\nTOTAL\n\$(?P<total>\d+\.\d{2})\n捕获组products包含products的子串：
"Gift Card Visa Varbl 20to500Dollars\nPotato White Washed 2Kg\nNescafe Coffee Blend 43 50\n^HToblerone Milk Chocolate Bar 50g\n^HOreo Cookie Original 133\n#M&Ms Crispy 145g\n*HRed Rock Deli Portgse Chicken 150g\n^HWrigleys Extra Pepprmint 14pc 27g(?.*\nz"如果需要，可以在换行符上使用夹板。
捕获组subtotal包含小计：
9捕获组total包含总数：
80.45该问题并未指明产品的位置。假设它可以在小计和合计之前或之后。正是由于这个原因，我在字符串开始锚点^之后的正前视中捕获了它们。该先行查询不会将引擎的内部字符串指针移到字符串开头之外，从而确保找到小计和总计(如果存在)。
正则表达式执行以下操作。
(?s) # cause periods to match all chars, including newlines
^ # match beginning of string
(?= # begin positive lookahead
.* # match zero or more chars
\ ABN\ # match ' ABN '
\d{2} # match 2 digits
(?: # begin a non-capture group
\ \d{3} # match a space followed by 3 digits
){3} # end non-capture group, execute thrice
\n # match newline
(?P<products> # begin a capture group named 'products'
.* # match zero or more chars including newlines
\n # match newline
) # end capture group
Qty\n # match 'Qty', newline
) # end positive lookahead
.*\n # match zero or more chars, newline
\$\d+\.\d{2}\n # match '$', one or more digits, period, 2 digits, newline
(?P<subtotal> # begin capture group named 'subtotal'
\d+ # match one or more digits
) # end capture group
\ +SUBTOTAL\n # match one or more spaces, 'SUBTOTAL', newline
TOTAL\n # match 'TOTAL', newline
\$ # match '$'
(?P<total> # begin capture group named 'total'
\d+\.\d{2} # match one or more digits, period, 2 digits
) # end capture group
\n # match newline我对上面的空格进行了转义，使它们更容易被看到。
https://stackoverflow.com/questions/69599684
复制相似问题
腾讯云开发者
