Īsumā
Vispirms pārbaudiet, vai PDF ir teksta slānis. Ja ir, īss skripts bez AI visus 30 manus testa rēķinus nolasīja pareizi, gan galveni, gan visas 113 rēķina rindas, ar mediānu 0,03 sekundes uz rēķinu. Skenējumā tas pats skripts neatdod neko, un vajadzīgs modelis. Manā aprakstītajā palaišanā Claude Haiku 5.5 visos 30 skenējumos nolasīja pareizas summas bez PVN, PVN un kopsummas, bet sajauca ciparus PVN numuros, rēķinu numuros un aprakstos, kā arī divas rēķina rindu summas: pilnīgi pareizi bija 4 no 30 rēķiniem, bet 12, ja līdzīgi izskatošās rakstzīmes neņem vērā. Aritmētiskās pārbaudes atklāja 2 no 18 nepareizajiem rēķiniem. PVN numura kontrolcipars atklāja 16 no 18, bet kopā ar aritmētiskajām pārbaudēm 17 no 18.
Es esmu Denys, full-stack un AI inženieris. Es gribēju noskaidrot, kas darbojas, kad datus no PDF rēķina izgūst uz Excel, un cik bieži tas kļūdās. Tāpēc visu darbu veicu pats, no sākuma līdz beigām, ar 30 fiktīviem piegādātāju rēķiniem, kādi bija manā iepriekšējā četru AI modeļu testā: 10 Čehijas, 10 Vācijas, 10 Portugāles, kopā 113 rēķina rindas. Uzņēmumu nosaukumos ir paraugvārdi (Vzor, Muster, Beispiel, Exemplo), katram rēķinam ir SAMPLE kājene, un PVN numurus pārbaudīju ES pakalpojumā VIES, kas visiem atbildēja “nederīgs”. Šoreiz izmantoti PDF, pievienotas rēķina rindas, un rezultāts ir Excel darbgrāmata.
Kā atšķirt PDF ar teksta slāni no skenējuma?
PDF, kas izdrukāts no grāmatvedības programmas, satur pašu tekstu, tas ir teksta slāni. Skenēts PDF ir lapas attēls, ielikts PDF failā, un tajā nav teksta. Ja ar peli var iezīmēt vārdu, tas ir PDF ar teksta slāni.
Katru rēķinu es izveidoju abos veidos, kopā 60 PDF. Visiem 30 PDF ar teksta slāni tas bija. No visiem 30 skenējumiem PDF bibliotēka izguva 0 rakstzīmju. Skenējumi ir mana imitācija no iepriekšējā testa (pagriešana, izplūdums, troksnis, spēcīga JPEG saspiešana), nevis papīrs caur skeneri.
Kā izgūt datus no PDF rēķina uz Excel bez AI?
Ar PDF, kuram ir teksta slānis, to var izdarīt. Es uzrakstīju Python skriptu ar pdfplumber, bezmaksas bibliotēku, kas nolasa teksta slāni: viens iezīmju kopums katrai valodai, PVN numuri atrasti pēc lapas puses (piegādātājs kreisajā, pircējs labajā) un regulārā izteiksme katrai rēķina rindai. Tās ir 94 koda rindas 3 izkārtojumiem.
Rezultāts ar PDF, kuriem ir teksta slānis: 30 no 30 rēķiniem pilnīgi pareizi, 0 kļūdu 270 galvenes laukos, 113 no 113 rēķina rindām pareizi, mediāna 0,03 sekundes uz rēķinu un nekādu izmaksu.
Iebilde ir liela. Noteikumus rakstīju, skatoties uz tiem pašiem 30 rēķiniem, tāpēc šis ir labākais gadījums noteikumiem. Katram jaunam piegādātāja izkārtojumam vajadzīgi jauni noteikumi, un citus izkārtojumus es netestēju. Divas lietas, ar kurām noteikumiem bija jātiek galā:
- Lasīšanas secība. Visos 30 rēķinos, visos trīs izkārtojumos, pircēja PVN numurs teksta slānī atrodas pirms piegādātāja, tāpēc “ņemt pirmo PVN numuru” tos apmaina. Skripts lasa lapas kreiso un labo pusi atsevišķi.
- PVN numura prefikss. Portugāles rēķinos numurs ir izdrukāts ar
PTvai bez tā. Salīdzinu bez prefiksa: 8 rēķini no patiesās vērtības atšķiras tikai ar to.
Kas notiek, ja PDF ir skenējums?
Skripts izgāžas klusi. No 30 skenējumiem extract_text() katru reizi atdeva tukšu virkni, izsaukums izdevās, un visi 270 galvenes lauki bija tukši. Neviena kļūda netika izmesta.
Skenējumiem es katru PDF nosūtīju Claude Haiku 5.5 caur OpenRouter, kas PDF nolasa tieši, bez atsevišķa OCR soļa. Temperatūra 0, viens JSON uz rēķinu: deviņi galvenes lauki un rēķina rindas (apraksts, daudzums, vienības cena, summa).
| Metode un ievade | Pilnīgi pareizi rēķini | Pareizas rēķina rindas |
|---|---|---|
| Skripts, PDF ar teksta slāni | 30 no 30 | 113 no 113 |
| Skripts, skenējums | 0 no 30 | 0 no 113 |
| Haiku 5.5, PDF ar teksta slāni | 29 no 30 | 112 no 113 |
| Haiku 5.5, skenējums, precīzi | 4 no 30 | 76 no 113 |
| Haiku 5.5, skenējums, līdzīgas rakstzīmes neņemtas vērā | 12 no 30 | 108 no 113 |
“Pilnīgi pareizi” nozīmē, ka sakrīt deviņi galvenes lauki un katra rēķina rinda. PDF ar teksta slāni Haiku vienīgā kļūda bija apraksts, Europaletten Europalette vietā; tā galvene bija pareiza 30 no 30. Skenējumos visi deviņi galvenes lauki bija pareizi 14 no 30 rēķiniem.
Ko modelis skenējumos nolasīja nepareizi?
Galvenokārt ne naudu. Izrakstīšanas datums, apmaksas termiņš, valūta, summa bez PVN, PVN un kopsumma: 0 kļūdu visos 30 rēķinos šajā palaišanā. Daudzums, vienības cena un summa: 111 no 113 pareizi. Kļūdas lielākoties bija tekstā:
- Galvene: 21 nepareizs lauks 16 rēķinos, visi PVN numuros. Piegādātāja PVN numurs 6 reizes, pircēja PVN numurs 15 reizes.
- Rēķina rindas: 37 no 113 nav precīzi pareizas. 32 atšķiras tikai ar tipogrāfiju:
×atdots kāx,–kā-,µ(mikro zīme) kāμ(grieķu mī). 5 ir īstas nepareizas nolasīšanas: 3 apraksti (fita estirávelfilme estirávelvietā, visi vienā Portugāles rēķinā) un 2 summas (184,00nolasīts kā164,00,1.376,67kā1.378,67).
Kāpēc aritmētiskās pārbaudes gandrīz klusēja?
Darbgrāmatā ievietoju divas pārbaudes kā kolonnas: rēķina rindu summa vienāda ar summu bez PVN, un summa bez PVN plus PVN vienāda ar kopsummu, abas ar precizitāti 0,01. Modeļa skenējumos tās atzīmēja 2 no 18 rēķiniem, kas patiešām bija nepareizi (2 no 26, ja tipogrāfija skaitās kļūda), proti, tos divus ar nepareizi nolasītu rindas summu. Galvenes summas bija pareizas, tāpēc kopsummas saskanēja. Pārbaude ar skaitļiem neredz nepareizu ciparu identifikatorā vai vārdā. Iepriekšējā testā redzēju to pašu likumsakarību: tā summu pārbaude atzīmēja 3 no 63 nepareizajiem rēķiniem.
Skripta tukšajai izvadei abas pārbaudes nostrādāja 30 no 30 reizēm. Nolasījums, kas neatdod neko, vismaz skaļi izgāžas izklājlapā.
Trešā pārbaude, PVN numura kontrolcipars (python-stdnum Čehijas DIČ, Vācijas USt-IdNr. un Portugāles NIF), atklāja 16 no 18 nepareizajiem rēķiniem un nevienu pareizu rēķinu nepasludināja par kļūdainu. Neviens nepareizs PVN numurs to nepārgāja. Kopā ar aritmētiskajām pārbaudēm tie ir 17 no 18. Atlikušais bija Portugāles rēķins, kurā nepareizi nolasīti tikai apraksti, un tam vajadzīgs cilvēks, kam līdzās rindai atvērts PDF.
Kādai jābūt Excel darbgrāmatai?
Divas lapas. Invoices satur vienu rindu uz rēķinu: faila nosaukums, rēķina numurs, izrakstīšanas datums un apmaksas termiņš, piegādātāja un pircēja PVN numurs, valūta, summa bez PVN, PVN un kopsumma, rindu skaits un rindu summa, kā arī trīs pārbaužu kolonnas. Lines satur vienu rindu uz rēķina rindu: faila nosaukums, rēķina numurs, rindas numurs, apraksts, daudzums, vienības cena un summa. Lapas savieno rēķina numurs. Viena plakana rinda uz rēķinu nederētu, jo rindu skaits mainās, un manā garākajā rēķinā to ir deviņas.
Skaitļi jāieraksta kā skaitļi, datumi kā datumi. Čehu 175 011,84 Kč vai vācu 10.465,61 € pirms ierakstīšanas jāpārveido, citādi Excel tos uztver kā tekstu un summa tos ignorē. Saglabāto failu atvēru no jauna un pārbaudīju 2256 šūnu tipu: datumi, summas, daudzumi un pārbaužu rezultāti visi bija pareizā tipā, un 0 bija saglabāti kā teksts. Vēl 300 šūnu bija tukšas, tās ir rindas, kur skripts neatrada neko.
Failu nolasīju atpakaļ ar bibliotēku un neatvēru Excel vai LibreOffice, un pārbaudes ir vērtības TRUE vai FALSE, nevis formulas.
Cik tas maksā un cik ilgi aizņem?
Skripts maksā nulli un aizņem 0,03 sekundes uz rēķinu. Haiku 5.5 izmantoju OpenRouter izrakstītās izmaksas par izsaukumu:
| Haiku 5.5 | USD par 1000 rēķiniem | Mediānas sekundes uz rēķinu |
|---|---|---|
| PDF ar teksta slāni | 0,58 | 2,96 |
| Skenējums | 0,72 | 4,31 |
| Abi kopā | 0,65 | 3,66 |
Visa palaišana bija 60 izsaukumi un USD 0,038847 (133 197 tokeni ievadē, 51 055 izvadē), bez neviena neizdevuša izsaukuma, bez atkārtojuma un bez nesaprotamas atbildes. Laikos ir ietverts tīkls un modeļa spriešana, vienlaikus darbojoties 8 izsaukumiem.
Kas ietekmē skenējumu rezultātu?
Viens un tas pats modelis ar tiem pašiem skenējumiem nedod vienu skaitli. Lai redzētu, kas ir svarīgi, skenējumu testu atkārtoju ar šo komplektu: tikai skenējumi, temperatūra 0, divi atkārtojumi katram nosacījumam, vēl 240 izsaukumi par USD 0,145779. Nosacījumi bija ievade (lapa kā attēls vai PDF) un pamudinājums (deviņi galvenes lauki vai galvene plus rēķina rindas). Rēķini ar visiem deviņiem galvenes laukiem pareizi, no 30:
| Nosacījums | 1. palaišana | 2. palaišana |
|---|---|---|
| Attēls, tikai galvene | 13 | 14 |
| Attēls, galvene un rindas | 14 | 14 |
| PDF, tikai galvene | 13 | 13 |
| PDF, galvene un rindas | 15 | 12 |
Augstāk aprakstītā palaišana ir piektā PDF palaišana ar galveni un rindām: 14. Arī četru modeļu attēlu tests šiem skenējumiem deva Haiku 14.
- Ievades ceļš: redzamas ietekmes nav. Attēlu palaišanas deva 13, 14, 14, 14 un 14 (vidēji 13,8), PDF palaišanas 13, 13, 15, 12 un 14 (vidēji 13,4). Diapazoni gandrīz pilnībā pārklājas.
- Pamudinājuma apjoms: redzamas ietekmes nav. Tikai galvene deva 13, 14, 13 un 13; galvene un rindas 14, 14, 15, 12 un 14.
- No palaišanas uz palaišanu: 0 līdz 3 rēķini starp viena nosacījuma atkārtojumiem.
- Lielākais faktors ir rēķinu komplekts. Ar to pašu modeli un to pašu attēla pamudinājumu iepriekšējais 30 rēķinu komplekts deva 22 un 22. Šis dod 13 un 14. Katrai valstij ir viens pircēja PVN numurs, kas atkārtojas 10 rēķinos, un šajā komplektā Haiku to nepareizi nolasa 11 līdz 13 no 30 rēķiniem katrā attēlu palaišanā (iepriekšējā komplektā 2 līdz 3). Viena nepareizi nolasīta virkne pārvieto līdz 10 rēķiniem vienlaikus. Ar diviem komplektiem un vienu modeli tas parāda, ka komplekts pārsver pārējos divus efektus, nevis to, kāpēc konkrēta virkne ir grūti nolasāma.
- Summas var būt nepareizas. 4 no 8 atkārtotajām palaišanām vismaz viena summa bija nepareiza. Summu pārbaudes atzīmēja 2 no šiem 4 rēķiniem; 2 palika nepamanīti. Manā aprakstītajā palaišanā galvenes summu kļūdu nebija, tāpēc “galvenokārt ne naudu” tur der, bet ne katrā palaišanā.
Ko es neesmu testējis?
- Paša Excel importu (Power Query “From PDF”, Data from Picture).
- Īstus piegādātāju rēķinus. Visi 30 ir fiktīvi: 3 izkārtojumi, viens fonts, viena lapa katrs.
- Vairāku lappušu rēķinus, citas valodas, fotogrāfijas un īstu skenera troksni.
- OCR, kas baro noteikumu skriptu. Skenējumu atskaites punkts ir tikai skripts.
- Jebkuru citu modeli, nevis Haiku 5.5.
- Noteikumus izkārtojumam, kuram tie nebija pielāgoti.
Ko es darītu ar īstiem rēķiniem?
Tas ir mans secinājums no skaitļiem, nevis izmērīts rezultāts. Vispirms pārbaudiet teksta slāni. Dažiem piegādātājiem ar PDF, kuros ir teksta slānis, noteikumi ir lētāki, ātrāki un šajā testā precīzi. Daudziem vai nezināmiem izkārtojumiem, vai skenējumiem izmantojiet modeli, palaidiet PVN numura kontrolcipara pārbaudi un aritmētiskās pārbaudes un lieciet cilvēkam apskatīt to, ko tās atzīmē, un aprakstus, ko neviena no manām pārbaudēm nesedz.
Skripti, rēķini, patiesās vērtības, rezultāti un darbgrāmata ir šajā arhīvā. Iekšā ir 60 PDF un neapstrādātās modeļa atbildes, tāpēc vērtēšanu un darbgrāmatu var pārbūvēt bez API atslēgas. Mans rēķinu datu atpazīšanas prototips darbojas ar paraugdatiem.
Ja vēl izlemjat, kuru uzņēmuma daļu vērts automatizēt, palīdzu to izvēlēties un pēc tam uzbūvēju: skatiet AI konsultants mazajiem uzņēmumiem. Klientu ziņas ir otrs biežais pirmais AI darbs mazā uzņēmumā: cik maksā WhatsApp tērzēšanas robots par vienu atbildi, ieskaitot Meta maksu.
Skatiet arī: Dokumentu vadības sistēma mazam uzņēmumam: cenas un robežas.
Mans līdzīgais gadījums
Uzbūvēju pakalpojumu, kas nekustamā īpašuma izziņu, kas prasīja 2–3 nedēļas un maksāja EUR 200–300, pārvērš izziņā, kas prasa 2–3 minūtes un maksā EUR 99, ar skriptiem un vision AI. Būve ir nekustamā īpašuma dokumentu automatizācijas gadījumā.
Ja rēķiniem jānonāk jūsu izklājlapā vai grāmatvedības rīkā, un neviens tos nepārraksta ar roku, to es daru darbplūsmu automatizācijā.
Rēķinus uz izklājlapu pārnesat ar rokām? Uzrakstiet man, un kopā izvēlēsimies labāko variantu.
Vēl joprojām rēķinus pārnesat ar rokām?
Uzrakstiet man, kas jums ir tagad un kas jums vajadzīgs. Atbildēšu ar variantu, ko izvēlētos pats.
Rakstiet man