اعمل OCR للفواتير: من PDF إلى Excel بـ Python

from pathlib import Path
import re

import cv2
import pandas as pd
import pytesseract
from PIL import Image

INPUT_DIR = Path("invoices")
OUTPUT_FILE = "invoices.xlsx"

patterns = {
    "invoice_no": r"Invoice\s*(?:No|Number)[:\s#-]+([A-Z0-9-]+)",
    "date": r"Date[:\s]+(\d{4}-\d{2}-\d{2}|\d{2}/\d{2}/\d{4})",
    "vendor": r"Vendor[:\s]+(.+)",
    "total": r"Total[:\s$]+([0-9,.]+)",
}

def clean_image(path: Path) -> Image.Image:
    img = cv2.imread(str(path), cv2.IMREAD_GRAYSCALE)
    img = cv2.resize(img, None, fx=1.5, fy=1.5, interpolation=cv2.INTER_CUBIC)
    img = cv2.adaptiveThreshold(
        img, 255,
        cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
        cv2.THRESH_BINARY,
        31, 11
    )
    return Image.fromarray(img)

def extract_fields(text: str) -> dict:
    row = {"invoice_no": "", "date": "", "vendor": "", "total": ""}
    for key, pattern in patterns.items():
        match = re.search(pattern, text, re.IGNORECASE)
        if match:
            row[key] = match.group(1).strip()
    return row

rows = []
for path in sorted(INPUT_DIR.glob("*.png")):
    image = clean_image(path)
    text = pytesseract.image_to_string(image, config="--psm 6")
    row = extract_fields(text)
    row["source_file"] = path.name
    row["needs_review"] = not all(row[k] for k in ["invoice_no", "date", "total"])
    rows.append(row)

pd.DataFrame(rows).to_excel(OUTPUT_FILE, index=False)
print(f"Wrote {len(rows)} invoices to {OUTPUT_FILE}")

الـ trade-off هنا واضح: السكربت أسرع من النسخ اليدوي، لكنه ليس دقيقًا 100% مع كل تصميم فاتورة. لذلك أضفنا عمود needs_review. بتكسب وقت، وتخسر جزءًا من المرونة لأن regex مرتبط بتسميات الحقول.

اختبره بأرقام

في سيناريو واقعي لفريق صغير عنده 100 فاتورة شهريًا، النسخ اليدوي ممكن يأخذ 180 دقيقة لو كل فاتورة تحتاج دقيقة ونصف إلى دقيقتين. سكربت OCR أولي قد ينزل الوقت إلى 42 دقيقة مع مراجعة النتائج. بعد تنظيف الصورة وتحديد الحقول، الرقم الأقرب يكون 24 دقيقة، بشرط إن الفواتير واضحة ومش مكتوبة بخط يد.

القياس العملي بسيط: شغّل السكربت على 20 فاتورة، واحسب عدد الصفوف التي ظهرت فيها needs_review=True. لو النسبة أعلى من 20%، لا توسع السكربت قبل تحسين جودة الصور أو تعديل الـ regex.

ما يجب الانتباه له

• جودة الصورة أهم من المكتبة. صورة 300 DPI غالبًا أفضل من صورة مضغوطة من واتساب.
• القوالب المتعددة تحتاج طبقة قواعد. مورد له قالب مختلف يعني regex مختلف أو parser منفصل.
• الأرقام المالية تحتاج مراجعة. لا تجعل السكربت يدفع أو يرحّل قيودًا محاسبية بدون اعتماد بشري.
• اللغة العربية تحتاج تدريبًا وتجربة. Tesseract يدعم لغات متعددة، لكن جودة OCR العربي تختلف حسب الخط والصورة.

متى لا تستخدم هذه الطريقة

لا تستخدمها لو الفواتير قانونية حساسة جدًا ولا يسمح نظام شركتك بمعالجتها محليًا بدون موافقة. ولا تستخدمها لو الدقة المطلوبة 99.9% من أول مرة، لأن OCR يحتاج مراجعة. كذلك لا تبدأ بها لو عندك API رسمي من الموردين؛ الـ API أنظف وأقل أخطاء من قراءة الصور.

مصادر اعتمد عليها

• Tesseract command line documentation
• pytesseract package documentation
• OpenCV adaptive thresholding
• pandas DataFrame.to_excel

الخطوة التالية

خذ 20 فاتورة حقيقية من آخر شهر، شغّل السكربت عليها، ثم عدّل الـ regex حتى تنخفض نسبة needs_review تحت 20%. بعد ذلك فقط شغّله على كل الأرشيف.