本程式旨在處理和分析包含「公司基本資料表」、「營業人銷售額與稅額申報書清單(401表)」、「營業人銷售額與稅額申報書(403表)」、「數位發展部數位產業署投標廠商聲明書」、「支票」、「ISO/IEC 27001證書」以及「投標報價單」多種格式的 PDF 文件和圖像檔案。
主要功能包括：
- OCR辨識與關鍵字提取：對文件進行光學字符識別（OCR）處理，依據不同檔案類型從中提取關鍵資訊。
- 資料整理: 如有需要會依據ocr辨識的結果，進一部查表填充，使資料完整。
- 資料自動歸檔：支援同一家公司資料和不同家公司資料批次匯入系統，按照ocr辨識的統一編號(ocr_id)或是使用者鍵入的統一編號(cid)來歸檔。
- 檔名自動命名: 檔名自動按照文件類別重命名。
- 數據核對：與商業司線上API進行資料核對，檢查本地提取的數據與官方資料庫中的記錄是否一致。
以下是本程式支援的命令行參數列表：
| 參數 | 描述 |
|---|---|
-o |
指定輸出資料夾的路徑，所有處理後的文件將保存在此路徑。 |
-c |
統一編號，將這個統一編號加入到輸出的 JSON 文件中。 |
-a |
啟用自動分類功能，按照統一編號或文件類型對文件進行分類。 |
-api |
啟用與商業司API的連接，用於核對和驗證抽取的數據。 |
-f |
根據規則重新命名文件，以便於檔案管理和檢索。 |
-s |
產生統計摘要文件，JSON格式，匯總處理結果的概要信息。 |
-e |
提供公司的英文名稱，並在27001證書處理過程中比對 |
main 001.jpg 002.jpg -api -f -s -o ./path/12345678 -c 12345678 -e "Taiwan Technology Inc."| 代碼 | 檔案類型 | 輸出欄位 |
|---|---|---|
| 00 | 不明類別 | code, filename, ocr_data, table |
| 01 | 基本資料表 | code, filename, ocr_data, table, ocr_cid, company_name, boss_name, business_code |
| 02 | 納稅證明(401/403表) | code, filename, ocr_data, table, ocr_cid, company_name, boss_name, date, stamp |
| 03 | 廠商聲明書 | code, filename, ocr_data, table, ocr_cid |
| 04 | 支票 | code, filename, ocr_data, table, name, bank1, bank2, money, date, serial |
| 05 | ISO27001 | code, filename, ocr_data, table, company_name, compare, expiry_date |
| 06 | 報價單 | code, filename, ocr_data, table, ocr_cid, company_name |
| 欄位 | 說明 | 格式 |
|---|---|---|
code |
檔案類別代碼 | string |
filename |
檔案名稱 | array (跨頁檔案將有多個檔案名稱) |
ocr_data |
OCR辨識結果 | string |
table |
資料類別中文全名 | string |
ocr_cid |
公司統編(-c) | string |
company_name |
公司名稱(ocr) | string |
boss_name |
負責人名稱(ocr) | string |
business_code |
營業項目(ocr) | string (逗點分隔) |
date |
支票日期(ocr) | string |
stamp |
營業稅網路申報收件章 | boolean |
name |
支票抬頭(ocr) | string |
bank1 |
支票銀行(ocr) | string |
bank2 |
支票銀行分行(ocr) | string |
money |
支票金額(ocr) | string (阿拉伯數字) |
serial |
支票號碼(ocr) | string |
compare |
與輸入對比結果(-e) | boolean |
expiry_date |
ISO27001到期日(ocr) | string |
| 欄位 | 說明 | 格式 |
|---|---|---|
ocr_cid |
公司統編(-c) | string |
company_name |
同一家公司名辨識集合(set) | array |
boss_name |
同一家負責人名辨識集合(set) | array |
allMatch |
同一家公司辨識是否一致 | boolean |
api |
gcis-api | array |
將上述兩個檔案整理，計算各類別數量，並將結果輸出。
本專案使用了以下主要依賴包：
- Pillow: 用於圖片旋轉和處理，確保圖像處於正確的方向。
- opencv-python (opencv): 用於圖像處理和視覺相關任務，本專案中主要用於核取方塊勾選定位。
- PyMuPDF: 處理PDF文件，將PDF頁面轉換成圖片，以便進行後續的圖像處理和OCR。
- pytesseract: Tesseract-OCR 的 Python 封裝，用於初步偵測圖像是否顛倒，協助進行圖像校正。
- google-cloud-vision: Google 的雲端視覺識別服務，是本專案的主要OCR工具。
- PySide2: 提供完整的 Qt5 框架封裝，用於構建用戶界面。
- pandas: 數據處裡和讀取CSV檔案。
- requests: 處理 HTTP 請求的實用工具，用於與 API 交互。
- cyclonedx-py: 用於生成軟件物料清單（SBOM）。
- pyinstaller: 生成可執行文件。