[发明专利]一种电子发票内容解析的方法及系统

说明书

本发明公开了一种电子发票内容解析的方法及系统，属于文本内容提取技术领域，电子发票基于版式文件格式，主要包括位置解析模块、文本合并模块和文本关联识别模块，其中：位置解析模块调用版式文件解析引擎模块对电子发票内容进行位置解析，获取以字符为单位的位置信息集合；文本合并模块采用字符间隙对属于同一文本域的字符进行合并，得到文本域集合；文本关联识别模块结合标签字典和文本域间隙对文本域集合进行文本域的关联识别；完成整个电子发票的解析工作，将解析数据存储到数据库中。该方法能有效地提高文本内容提取的通用性和适用性，能够解析出不同种类、不同样式风格的发票内容。

技术领域

本发明涉及文本内容提取技术领域，具体涉及一种电子发票内容解析的方法及系统。

背景技术

为了有效地节约社会资源，减少税务成本，并最终实现无纸化发票，我国正加大力度推广电子发票。随着电子发票受到越来越多地关注与使用，传统的发票管理系统已无法满足要求，取而代之的是电子发票管理系统的应运而生。由于电子发票管理系统需要对发票内容进行存储，所以电子发票内容的解析是必不可少的一步。但由于发票种类繁多、样式繁杂，如何提高发票解析方法的通用性和适用性是亟待解决的问题。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的电子发票内容解析的方法及系统，分析电子发票内容的位置信息，划分属于不同区域的文本，再根据区域的位置信息，找到相关联的区域文本，进而完成对电子发票内容的解析。

依据本发明的一个方面，提供了一种电子发票内容解析的方法，所述电子发票基于版式文件格式，包括位置解析模块、文本合并模块和文本关联识别模块，包括以下步骤：

所述位置解析模块调用版式文件解析引擎模块对所述电子发票内容进行位置解析，获取以字符为单位的位置信息集合；

所述文本合并模块采用字符间隙对属于同一文本域的字符进行合并，得到文本域集合；

所述文本关联识别模块结合标签字典和文本域间隙对所述文本域集合进行文本域的关联识别；

完成整个所述电子发票的解析工作，将解析数据存储到数据库中。

进一步地，所述位置解析模块解析所述电子发票中每个字符的位置信息。

进一步地，所述位置信息包括字符的横坐标、纵坐标、高度、宽度、字体信息，获取到所述字符的位置信息列表，并将其保存至所述位置信息集合中。

进一步地，所述文本合并模块采用字符间隙对属于同一文本域的字符进行合并，得到文本域集合的步骤中，具体包括：

将所述位置信息集合中的字符集按照从上到下、从左到右的方式排序；

利用字符间隙阈值，初步合并同一文本域的同行字符；

利用所述标签字典设置每个文本域文本行的类型属性；

将文本域文本行集按照从左到右、从上到下的方式排序；

利用文本行间隙阈值，合并同一文本域的不同行文本；

将合并后的文本域文本行集按照从上到下、从左到右的方式排序。

进一步地，所述标签字典定义需要提取的所述电子发票的票面元素。

进一步地，在所述文本关联识别模块结合标签字典和文本域间隙对所述文本域集合进行文本域的关联识别步骤中，具体包括：

所述文本关联识别模块接收来自所述文本合并模块的输出数据；

利用行间隙阈值和标签字典，确定所述电子发票中包含的所有商品行标签及其对应的内容；

完成所述电子发票的内容提取。