最近一段时间，老板给我的任务是发票的结构化识别。目前市面上成熟的结构化文本识别已经很多了，关于如何才能够对识别结果进行结构化分析这个问题，困扰了我已经有段时间了。像百度OCR应该是知名度数一数二的，它能提供几乎所有的结构化文本识别服务，而我很长时间只停留在识别图片中的文字，而不能对它进行结构化分析，这种感觉也太难受了。直到昨天晚上，说来也奇怪，无缘无故失眠了，我就想：既然睡不着，那就不如想想明天要干些什么，想到老板最近派的任务，又想到这两天看过的正则表达式。那这正则表达式不就正是为了处理识别结果这种字符串的嘛。正好，现学现卖，敲一波，供日后复习用。

关键字段

1.发票代码
2.发票号码
3.开票日期
4.校验码
5.购买方信息
6.销售方信息
7.价税合计

对应的正则表达式

1.发票代码

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

2.发票号码

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

3.开票日期

[0-9]{1,4}年[0-9]{1,2}月[0-9]{1,2}

4.校验码

(?:校验码:|校验码：)[0-9]{1,20}

5.购买方信息

名称         (?:称:|称：)[\u4e00-\u9fa5]+
纳税人识别号  (?:纳税人识别号:|纳税人识别号：)\w+
地址、电话    (?:地址、电话:|地址、电话：)[\-0-9\u4e00-\u9fa5]+
开户行及账号  (?:开户行及账号:|开户行及账号：)[0-9\u4e00-\u9fa5]+

6.销售方信息

名称         (?:称:|称：)[\u4e00-\u9fa5]+
纳税人识别号  (?:纳税人识别号:|纳税人识别号：)\w+
地址、电话    (?:地址、电话:|地址、电话：)[\-0-9\u4e00-\u9fa5]+
开户行及账号  (?:开户行及账号:|开户行及账号：)[0-9\u4e00-\u9fa5]+

7.价税合计

[零壹贰叁肆伍陆柒捌玖圆整角]+

完整代码

import re
class invoice_m:
    """
    增值税机打发票结构化识别
    """
    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()  # 发票代码
        self.number()  # 发票号码
        self.date()  # 开票日期
        self.check_code()  # 校验码
        self.total_price()  # 价税合计（小写）
        self.purchaser()  # 购买方
        self.seller()  # 销售方

    def code(self):
        """
        发票代码识别
        """
        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['发票代码'] = res1[0]
                self.res.update(No)
                break

    def number(self):
        """
        识别发票号码
        """
        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["发票号码"] = res1[0]
                self.res.update(nu)
                break

    def date(self):
        """
        识别开票日期
        """
        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["开票日期"] = res1[0] + '日'
                self.res.update(da)
                break

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

    def total_price(self):
        """
        识别价税合计（小写）
        """
        total_pri = {}
        switcher = {
            "零": '0',
            "壹": '1',
            "贰": '2',
            "叁": '3',
            "肆": '4',
            "伍": '5',
            "陆": '6',
            "柒": '7',
            "捌": '8',
            "玖": '9',
            "圆": '.',
            "整": '00',
            "角": ''
        }
        for i in range(self.N):
            txt = self.result[i].replace(' ', '')
            txt = txt.replace(' ', '')
            res1 = re.findall('[零壹贰叁肆伍陆柒捌玖圆整角]+', 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["价税合计"] = '￥' + res2
                self.res.update(total_pri)
                break

    def purchaser(self):
        """
        购买方信息识别
        """
        purchaser_info = {}
        self.res.setdefault('购买方')
        for i in range(self.N):
            txt = self.result[i].replace(' ', '')
            txt = txt.replace(' ', '')
            name = re.findall('(?:称:|称：)[\u4e00-\u9fa5]+', txt)
            no = re.findall('(?:纳税人识别号:|纳税人识别号：)\w+', txt)
            add_tel = re.findall('(?:地址、电话:|地址、电话：)[\-0-9\u4e00-\u9fa5]+', txt)
            bank_no = re.findall('(?:开户行及账号:|开户行及账号：)[0-9\u4e00-\u9fa5]+', txt)
            if len(name) > 0 and self.FLAG_NAME:
                self.FLAG_NAME = False
                purchaser_info['名称'] = name[0].replace('：', '').replace(':', '').replace('称', '')
            if len(no) > 0 and self.FLAG_NO:
                self.FLAG_NO = False
                purchaser_info['纳税人识别号'] = no[0].replace('：', '').replace(':', '').replace('纳税人识别号', '')
            if len(add_tel) > 0 and self.FLAG_ADD_TEL:
                self.FLAG_ADD_TEL = False
                purchaser_info['地址、电话'] = add_tel[0].replace('：', '').replace(':', '').replace('地址、电话', '')
            if len(bank_no) > 0 and self.FLAG_BANK_NO:
                self.FLAG_BANK_NO = False
                purchaser_info['开户行及账号'] = bank_no[0].replace('：', '').replace(':', '').replace('开户行及账号', '')
        self.res['购买方'] = purchaser_info

    def seller(self):
        """
        销售方信息识别
        """
        seller_info = {}
        self.res.setdefault('销售方')
        for i in range(self.N):
            txt = self.result[i].replace(' ', '')
            txt = txt.replace(' ', '')
            name = re.findall('(?:称:|称：)[\u4e00-\u9fa5]+', txt)
            no = re.findall('(?:纳税人识别号:|纳税人识别号：)\w+', txt)
            add_tel = re.findall('(?:地址、电话:|地址、电话：)[\-0-9\u4e00-\u9fa5]+', txt)
            bank_no = re.findall('(?:开户行及账号:|开户行及账号：)[0-9\u4e00-\u9fa5]+', txt)
            if len(name) > 0 and not self.FLAG_NAME:
                seller_info['名称'] = name[0].replace('：', '').replace(':', '').replace('称', '')
            if len(no) > 0 and not self.FLAG_NO:
                seller_info['纳税人识别号'] = no[0].replace('：', '').replace(':', '').replace('纳税人识别号', '')
            if len(add_tel) > 0 and not self.FLAG_ADD_TEL:
                seller_info['地址、电话'] = add_tel[0].replace('：', '').replace(':', '').replace('地址、电话', '')
            if len(bank_no) > 0 and not self.FLAG_BANK_NO:
                seller_info['开户行及账号'] = bank_no[0].replace('：', '').replace(':', '').replace('开户行及账号', '')
        self.res['销售方'] = seller_info