[发明专利]一种电子发票内容解析的方法及系统

摘要

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。

主权项

1.一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，其特征在于，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；其中，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；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；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；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。