https://github.com/pavelsjo/ocr-invoce-metadata

https://github.com/pavelsjo/ocr-invoce-metadata

Last synced: about 2 months ago
JSON representation

• Host: GitHub
• URL: https://github.com/pavelsjo/ocr-invoce-metadata
• Owner: pavelsjo
• License: mit
• Created: 2020-10-07T15:20:18.000Z (over 4 years ago)
• Default Branch: main
• Last Pushed: 2021-04-29T01:53:04.000Z (over 3 years ago)
• Last Synced: 2023-10-17T02:47:48.542Z (over 1 year ago)
• Language: Jupyter Notebook
• Size: 1.15 MB
• Stars: 0
• Watchers: 2
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

        
# Extractor de Metadatos de Facturas OCR

El siguiente código permite extraer los metadatos de una `factura escaneada` y almacenada en formato `.pdf`, por ejemplo:



|INVOICE|DATE|TOTAL DUE|

|--|--|--|

1989|09/12/2005|1.596.097

La ejecución se inicia con un pre-procesamiento con `ImageMagick`, luego, se convierten los caracteres a texto plano con `pytesseract` y se utilizan `regex` para extraer los metadatos; finalmente el resultado queda en formato json.

Para utilizarlo se deben instalar las siguientes dependencias:

## Instalar ImageMagick en Red Hat 4.8.5-16.0.3

```Shel

sudo yum -y update 

sudo yum -y install ImageMagick-devel

```

Para la instalación en otras distribuciones, por favor revisa la [documentación oficial](https://docs.wand-py.org/en/latest/guide/install.html).

## Instalar Tesseract en Red Hat RHEL 7 

```Shell

sudo rpm -ivh https://dl.fedoraproject.org/pub/epel/epel-release-latest-7.noarch.rpm

sudo subscription-manager repos --enable "rhel-*-optional-rpms" --enable "rhel-*-extras-rpms"

sudo yum -y update

sudo yum -y install snapd

sudo systemctl enable --now snapd.socket

sudo ln -s /var/lib/snapd/snap /snap

sudo /usr/bin/yum --enablerepo epel-testing -y install tesseract.x86_64 tesseract-langpack-fra.noarch

```

## Version Alternativa

```Shell

sudo yum install install poppler-utils

```

## Librerías python

Este código fué probado con `python3.6` y requiere instalar los siguientes paquetes:

```Shell

pip install -r requeriments.txt

```

## Referencias

- [Enable snaps on Red Hat Enterprise Linux and install tesseract](https://snapcraft.io/install/tesseract/rhel)

- [Installing Tesseract-OCR on CentOS 6](https://stackoverflow.com/questions/23792373/installing-tesseract-ocr-on-centos-6)

- [Poppler in path for pdf2image](https://stackoverflow.com/questions/53481088/poppler-in-path-for-pdf2image)

- [pdf2image-github](https://github.com/Belval/pdf2image)

- [pdf2image-pypi](https://pypi.org/project/pdf2image/)