---

基于深度神经网络的发票文档智能信息提取工具。

简而言之

• 一个易于使用的界面，用于查看PDF/JPG/PNG格式的发票并提取信息。
• 使用训练界面在您自己的数据集上训练自定义模型。
• 根据需要添加或删除发票字段。
• 一键将提取的信息保存到您的系统中。

:star: 您的点赞对我们非常重要！

InvoiceNet的标志由Sidhant Tibrewal设计。查看他的作品，欣赏更多精美设计。

---

---

免责声明：

目前尚未提供针对一些通用发票字段的预训练模型，但很快就会推出。训练GUI和数据准备脚本已经开放使用。

由于发票文件包含敏感信息，收集足够规模的数据集一直颇具挑战性。这使得像我们这样的开发者难以训练大规模的通用模型并向社区开放。

如果您拥有愿意与我们共享的发票数据集，请联系我们（sarthakmittal2608@gmail.com）。我们具备创建首个公开可用的大规模发票数据集以及结构化信息提取软件平台的工具。

---

安装

Ubuntu 20.04

InvoiceNet已在Ubuntu 20.04上开发并测试完成，使用的CUDA版本为11.8，cuDNN版本为8.9.7，TensorFlow版本为2.13.1。

要在Ubuntu上安装InvoiceNet，请执行以下命令：

git clone https://github.com/naiveHobo/InvoiceNet.git
cd InvoiceNet/

# 运行安装脚本
./install.sh

install.sh脚本将安装所有依赖项，创建虚拟环境，并在该虚拟环境中安装InvoiceNet。

要使用InvoiceNet，您需要激活安装包所在的虚拟环境。

# 激活虚拟环境
source env/bin/activate

Windows 10

推荐的方式是在Anaconda环境中安装InvoiceNet及其依赖项：

git clone https://github.com/naiveHobo/InvoiceNet.git
cd InvoiceNet/

# 创建并激活conda环境
conda create --name invoicenet python=3.7
conda activate invoicenet

# 安装InvoiceNet
pip install .

# 安装poppler
conda install -c conda-forge poppler

此外，在Windows 10上运行InvoiceNet之前，还需要单独安装一些依赖项：

• Tesseract 5.0.0
• ImageMagick 7.0.10
• Ghostscript 9.52

数据准备

训练数据必须组织在一个目录中。发票文件应为PDF格式，且每张发票都应有一个同名的JSON标签文件。您的训练数据应如下所示：

train_data/
    invoice1.pdf
    invoice1.json
    nike-invoice.pdf
    nike-invoice.json
    12345.pdf
    12345.json
    ...

JSON标签文件应具有以下格式：

{
 "vendor_name":"Nike",
 "invoice_date":"12-01-2017",
 "invoice_number":"R0007546449",
 "total_amount":"137.51",
 ... 其他字段
}

要开始数据准备过程，可在GUI中点击“准备数据”按钮，或者如果您使用命令行界面，请按照以下说明操作。

添加自定义字段

要向InvoiceNet添加自定义字段，请打开invoicenet/init.py。

预定义了4种字段类型：

• FIELD_TYPES["general"]：一般字段，如名称、地址、发票编号等。
• FIELD_TYPES["optional"]：可选字段，可能并非所有发票都包含。
• FIELD_TYPES["amount"]：表示金额的字段。
• FIELD_TYPES["date"]：表示日期的字段。

为字段选择合适的类型，并添加下方所示的代码行。

# 在文件末尾添加以下行

# 例如，添加total_amount字段
FIELDS["total_amount"] = FIELD_TYPES["amount"]

# 例如，添加invoice_date字段
FIELDS["invoice_date"] = FIELD_TYPES["date"]

# 例如，添加tax_id字段（可能是可选的）
FIELDS["tax_id"] = FIELD_TYPES["optional"]

# 例如，添加vendor_name字段
FIELDS["vendor_name"] = FIELD_TYPES["general"]

使用GUI

InvoiceNet提供了一个图形用户界面，允许您基于自己的数据训练模型，并使用该模型从发票文档中提取信息。

运行以下命令以启动训练GUI：

python trainer.py

运行以下命令以启动提取GUI：

python extractor.py

首先需要准备好用于训练的数据。您可以通过将数据文件夹字段设置为您训练数据所在的目录，然后点击准备数据按钮来完成。数据准备好后，即可点击开始按钮进行训练。

使用命令行

训练

首先通过运行以下命令准备训练数据：

python prepare_data.py --data_dir train_data/

然后使用以下命令训练InvoiceNet：

python train.py --field enter-field-here --batch_size 8

# 例如，针对total_amount字段
python train.py --field total_amount --batch_size 8

---

预测

如果您尝试使用不同的OCR引擎，请在运行predict.py之前更改此函数中的ocr_engine create_ngrams.py。

---

单张发票

要从单张发票文件中提取某个字段，运行以下命令：

python predict.py --field enter-field-here --invoice path-to-invoice-file

# 例如，从invoices/1.pdf中提取total_amount字段
python predict.py --field total_amount --invoice invoices/1.pdf

---

多张发票

要使用已训练好的InvoiceNet模型提取信息，只需将PDF格式的发票文件按以下格式放置在一个目录中：

predict_data/
    invoice1.pdf
    invoice2.pdf
    ...

然后使用以下命令运行InvoiceNet：

python predict.py --field enter-field-here --data_dir predict_data/

# 例如，针对total_amount字段
python predict.py --field total_amount --data_dir predict_data/

---

参考文献

本实现主要基于 R. Palm 等人的工作，若在科学出版物中使用，请引用该工作（或其之前的会议论文）：

[1] Palm, Rasmus Berg, Florian Laws, and Ole Winther. “Attend, Copy, Parse：端到端的文档信息抽取”。2019 年国际文档分析与识别会议（ICDAR）。IEEE，2019 年。

@inproceedings{palm2019attend,
  title={Attend, Copy, Parse End-to-end information extraction from documents},
  author={Palm, Rasmus Berg and Laws, Florian and Winther, Ole},
  booktitle={2019 International Conference on Document Analysis and Recognition (ICDAR)},
  pages={329--336},
  year={2019},
  organization={IEEE}
}

注

基于论文 “Cloudscan——一种使用循环神经网络的无配置发票分析系统” 的较差（且略有缺陷）的发票处理系统实现可在此处获取：这里。

[2] Palm, Rasmus Berg, Ole Winther, and Florian Laws. “Cloudscan——一种使用循环神经网络的无配置发票分析系统”。2017 年第 14 届 IAPR 国际文档分析与识别会议（ICDAR）。第 1 卷。IEEE，2017 年。

@inproceedings{palm2017cloudscan,
  title={Cloudscan-a configuration-free invoice analysis system using recurrent neural networks},
  author={Palm, Rasmus Berg and Winther, Ole and Laws, Florian},
  booktitle={2017 14th IAPR International Conference on Document Analysis and Recognition (ICDAR)},
  volume={1},
  pages={406--413},
  year={2017},
  organization={IEEE}
}

InvoiceNet 快速上手指南

InvoiceNet 是一个基于深度神经网络的开源工具，旨在从发票文档（PDF/JPG/PNG）中智能提取关键信息。它提供图形界面（GUI）和命令行（CLI）两种操作方式，支持自定义字段训练。

1. 环境准备

系统要求

• 推荐系统：Ubuntu 20.04
• Windows 支持：Windows 10（需额外安装依赖）
• 核心依赖版本（Ubuntu 测试环境）：
  • CUDA: 11.8
  • cuDNN: 8.9.7
  • TensorFlow: v2.13.1
  • Python: 3.7 (Windows Conda 环境推荐)

前置依赖 (Windows 用户必读)

若在 Windows 10 上运行，除 Anaconda 外，还需手动安装以下软件并配置环境变量：

• Tesseract 5.0.0 (OCR 引擎)
• ImageMagick 7.0.10
• Ghostscript 9.52

注意：目前官方暂未提供通用的预训练模型，用户需使用自己的数据集进行训练。

2. 安装步骤

方案 A：Ubuntu 20.04 (推荐)

使用官方提供的脚本自动安装依赖并创建虚拟环境。

git clone https://github.com/naiveHobo/InvoiceNet.git
cd InvoiceNet/

# 运行安装脚本（自动安装依赖、创建虚拟环境）
./install.sh

# 激活虚拟环境
source env/bin/activate

方案 B：Windows 10

推荐使用 Anaconda 环境进行隔离安装。

git clone https://github.com/naiveHobo/InvoiceNet.git
cd InvoiceNet/

# 创建并激活 conda 环境
conda create --name invoicenet python=3.7
conda activate invoicenet

# 安装 InvoiceNet
pip install .

# 安装 poppler (用于 PDF 处理)
conda install -c conda-forge poppler

请确保已按“环境准备”章节手动安装了 Tesseract、ImageMagick 和 Ghostscript。

3. 基本使用

第一步：准备数据

训练数据需放在同一目录下，包含 PDF 发票文件及其对应的 JSON 标签文件（文件名需一致）。

目录结构示例：

train_data/
    invoice1.pdf
    invoice1.json
    nike-invoice.pdf
    nike-invoice.json

JSON 标签格式示例：

{
 "vendor_name":"Nike",
 "invoice_date":"12-01-2017",
 "total_amount":"137.51"
}

自定义字段（可选）： 若需提取新字段，编辑 invoicenet/__init__.py，在文件末尾添加字段定义：

# 示例：添加总金额字段
FIELDS["total_amount"] = FIELD_TYPES["amount"]
# 示例：添加可选的税号字段
FIELDS["tax_id"] = FIELD_TYPES["optional"]

第二步：训练模型 (GUI 方式)

启动训练器图形界面，可视化完成数据预处理和模型训练。

python trainer.py

操作流程：

1. 在 GUI 中设置 Data Folder 为你的数据目录（如 train_data/）。
2. 点击 Prepare Data 按钮预处理数据。
3. 点击 Start 按钮开始训练。

第三步：提取信息 (预测)

训练完成后，可使用 CLI 对单张或多张发票进行信息提取。

提取单个发票字段：

# 语法：python predict.py --field <字段名> --invoice <发票路径>
python predict.py --field total_amount --invoice invoices/1.pdf

批量提取目录下的发票： 将待处理的 PDF 放入同一目录（如 predict_data/），然后运行：

# 语法：python predict.py --field <字段名> --data_dir <目录路径>
python predict.py --field total_amount --data_dir predict_data/

提示：如需更换 OCR 引擎，请在运行预测前修改 invoicenet/common/util.py 中的 create_ngrams 函数内的 ocr_engine 配置。