انوائس پارس - پی ڈی ایف اور اسکین شدہ دستاویزات کے لیے انوائس ڈیٹا نکالنا

اگر آپ کو کبھی دستی طور پر انوائس پر کارروائی کرنی پڑی ہے، تو آپ جانتے ہیں کہ یہ عمل کتنا وقت طلب اور تکلیف دہ ہو سکتا ہے۔ ذکر کرنے کی ضرورت نہیں، یہ غلطیوں کا شکار ہے کیونکہ جب آپ سب کچھ ہاتھ سے کر رہے ہوتے ہیں تو کسی چیز کو کھونا آسان ہوتا ہے۔

یہیں سے انوائس پارسرز آتے ہیں۔ یہ ٹولز انوائسز سے ڈیٹا نکالنے کے عمل کو خودکار بناتے ہیں، جس سے آپ کو مطلوبہ معلومات حاصل کرنا تیز اور آسان ہو جاتا ہے۔ اس سے آپ کا کافی وقت اور پریشانی کی بچت ہو سکتی ہے اور یہ یقینی بنانے میں مدد مل سکتی ہے کہ آپ کی رسیدوں پر درست طریقے سے کارروائی ہو رہی ہے۔

یہ مضمون انوائس پارسرز کا استعمال کرتے ہوئے انوائس ڈیٹا نکالنے کے عمل کو دریافت کرتا ہے، جس میں اسے کرنے کے کچھ بہترین طریقوں پر بحث کی گئی ہے، بشمول ٹیبل نکالنا، جدید ترین OCR، اور گہری تعلیم۔

ہم دستی پروسیسنگ پر خودکار انوائس ڈیٹا نکالنے کے فوائد کا بھی جائزہ لیں گے۔ آئیے سیدھے اندر غوطہ لگائیں۔

انوائس پارسر کیا ہے؟

انوائس پارسر ایک قسم کا سافٹ ویئر ہے جو انوائس دستاویزات کو پڑھنے اور اس کی تشریح کرنے کے لیے ڈیزائن کیا گیا ہے۔ اس میں پی ڈی ایف، تصاویر اور دیگر قسم کی فائلیں شامل ہو سکتی ہیں۔

انوائس پارسر کا مقصد انوائس سے کلیدی معلومات نکالنا ہے، جیسے انوائس آئی ڈی، کل واجب الادا رقم، انوائس کی تاریخ، کسٹمر کا نام، وغیرہ۔ انوائس پارسرز ان غلطیوں سے بچ کر درستگی کو یقینی بنانے میں مدد کر سکتے ہیں جو دستی ڈیٹا نکالنے سے ہو سکتی ہیں۔

اس معلومات کو پھر مختلف مقاصد کے لیے استعمال کیا جا سکتا ہے، جیسے اے پی آٹومیشن۔, مہینے کے آخر میں اکاؤنٹنگ بند کرنے کا عمل، اور انوائس مینجمنٹ۔

انوائس پارسر اسٹینڈ اسٹون پروگرام ہو سکتے ہیں یا بڑے کاروباری سافٹ ویئر سسٹمز میں ضم ہو سکتے ہیں۔ یہ ٹولز ٹیموں کے لیے رپورٹس بنانا یا ڈیٹا کو دیگر ایپلی کیشنز، جیسے کہ ایکسل میں ایکسپورٹ کرنا آسان بناتے ہیں اور اکثر بزنس مینجمنٹ ایپلی کیشنز کے ساتھ استعمال ہوتے ہیں۔

مارکیٹ میں بہت سے مختلف انوائس پارس کرنے والے سافٹ ویئر حل موجود ہیں، لہذا آپ کی مخصوص ضروریات کو پورا کرنے والے ایک کو منتخب کرنا ضروری ہے۔

انوائس پارسر کیسے کام کرتا ہے؟

یہ سمجھنے کے لیے کہ انوائس پارسرز کیسے کام کرتے ہیں، پارسرز کے بارے میں کام کا علم ہونا ضروری ہے۔

تجزیہ کاروں کا استعمال ایک مخصوص مارک اپ زبان میں لکھے گئے دستاویزات کی تشریح اور کارروائی کے لیے کیا جاتا ہے۔ وہ دستاویز کو چھوٹے چھوٹے ٹکڑوں میں توڑ دیتے ہیں، جسے ٹوکن کہتے ہیں، اور پھر ہر ٹوکن کا تجزیہ کرتے ہیں کہ اس کے معنی اور دستاویز کے مجموعی ڈھانچے میں یہ کیسے فٹ بیٹھتا ہے۔

ایسا کرنے کے لیے، تجزیہ کاروں کو استعمال شدہ مارک اپ لینگویج کے گرامر کی مضبوط سمجھ ہونی چاہیے۔ یہ انہیں انفرادی ٹوکن کی شناخت کرنے اور ان کے درمیان تعلقات کو صحیح طریقے سے سمجھنے کی اجازت دیتا ہے۔ تجزیہ کار پر منحصر ہے، یہ عمل یا تو دستی یا خودکار ہو سکتا ہے۔ دستی تجزیہ کاروں کو کسی سے دستاویز میں قدم رکھنے اور ہر ٹوکن کی شناخت کرنے کی ضرورت ہوتی ہے، جب کہ خودکار تجزیہ کار ٹوکنز کا خود بخود پتہ لگانے اور اس پر کارروائی کرنے کے لیے الگورتھم کا استعمال کرتے ہیں۔ کسی بھی طرح سے، مارک اپ لینگوئجز میں لکھی گئی دستاویزات کو سمجھنے میں تجزیہ کار ایک اہم کردار ادا کرتے ہیں۔

ڈیٹا نکالنے میں، انوائس پارسنگ انوائس دستاویز کا تجزیہ کر سکتی ہے اور متعلقہ معلومات نکال سکتی ہے۔

مثال کے طور پر، اس معاملے پر غور کریں جہاں آپ کو بہت سی رسیدیں دی گئی ہیں اور آپ ان سے ڈیٹا کو سٹرکچرڈ فارمیٹ میں اسٹور کرنا چاہتے ہیں۔ انوائس پارسنگ آپ کو تمام فائلوں کو لوڈ کرنے اور آپٹیکل کریکٹر ریکگنیشن (OCR) چلانے کے قابل بناتی ہے تاکہ ڈیٹا کو پڑھا جا سکے اور چند منٹوں میں کلیدی قدر کے تمام جوڑے نکالے جا سکیں۔ اس کے بعد، آپ JSON یا CSV جیسے مزید پڑھنے کے قابل فارمیٹس میں ذخیرہ کرنے کے لیے کچھ پوسٹ پروسیسنگ الگورتھم استعمال کر سکتے ہیں۔ آپ بھی عمل اور کام کے بہاؤ کی تعمیر آپ کے کاروبار کے ریکارڈ سے انوائسز کو خود کار طریقے سے نکالنے کے لیے انوائس پارسنگ کا استعمال کرنا۔

Python کے ساتھ انوائس پارس کرنا

Python ڈیٹا نکالنے کے مختلف کاموں کے لیے ایک پروگرامنگ لینگویج ہے، بشمول انوائس پارسنگ۔ یہ سیکشن آپ کو انوائس سے ڈیٹا نکالنے کے لیے ازگر کی لائبریریوں کو استعمال کرنے کا طریقہ سکھائے گا۔

ایک جدید ترین انوائس پارسر بنانا مشکل ہے جو ڈیٹا کی تمام اقسام پر چل سکتا ہے، کیونکہ اس میں متن کو پڑھنا، زبانوں کو سنبھالنا، فونٹس، دستاویز کی ترتیب، اور کلیدی قدر کے جوڑے نکالنا جیسے مختلف کام شامل ہیں۔ تاہم، اوپن سورس پروجیکٹس اور کچھ آسانی سے، ہم کم از کم ان مسائل میں سے کچھ کو حل کر سکتے ہیں اور شروع کر سکتے ہیں۔

مثال کے طور پر، ہم نمونہ انوائس پر ٹیبلا نامی ٹول استعمال کریں گے — انوائس پارس کرنے کے لیے میزیں نکالنے کے لیے ایک ازگر کی لائبریری۔ درج ذیل کوڈ کا ٹکڑا چلانے کے لیے، یقینی بنائیں کہ Python اور tabula/tabulate دونوں مقامی مشین پر انسٹال ہیں۔

نمونہ-انوائس. پی ڈی ایف.

from tabula import read_pdf
from tabulate import tabulate
# PDF file to extract tables from
file = "sample-invoice.pdf"

# extract all the tables in the PDF file
#reads table from pdf file
df = read_pdf(file ,pages="all") #address of pdf file
print(tabulate(df[0]))
print(tabulate(df[1]))

آؤٹ پٹ

-  ------------  ----------------
0  Order Number  12345
1  Invoice Date  January 25, 2016
2  Due Date      January 31, 2016
3  Total Due     $93.50
-  ------------  ----------------

-  -  -------------------------------  ------  -----  ------
0  1  Web Design                       $85.00  0.00%  $85.00
      This is a sample description...
-  -  -------------------------------  ------  -----  ------

ہم کوڈ کی چند لائنوں کے ساتھ پی ڈی ایف فائل سے میزیں نکال سکتے ہیں۔ اس کی وجہ یہ ہے کہ پی ڈی ایف فائل اچھی طرح سے فارمیٹ، سیدھ میں، اور الیکٹرانک طور پر بنائی گئی تھی (کیمرہ کے ذریعے کیپچر نہیں کی گئی)۔ اس کے برعکس، اگر دستاویز کو الیکٹرانک طور پر تیار کرنے کے بجائے کیمرے کے ذریعے پکڑا گیا ہوتا، تو ان الگورتھم کے لیے ڈیٹا کو نکالنا زیادہ مشکل ہوتا- یہیں سے آپٹیکل کریکٹر ریکگنیشن عمل میں آتی ہے۔

آئیے استعمال کریں ٹیسریکٹ, python کے لیے ایک مقبول OCR انجن، انوائس کے ذریعے تجزیہ کرنے کے لیے۔

import cv2
import pytesseract
from pytesseract import Output

img = cv2.imread('sample-invoice.jpg')

d = pytesseract.image_to_data(img, output_type=Output.DICT)
print(d.keys())

اس سے آپ کو درج ذیل آؤٹ پٹ ملنا چاہیے-

dict_keys(['level', 'page_num', 'block_num', 'par_num', 'line_num', 'word_num', 'left', 'top', 'width', 'height', 'conf', 'text'])

اس لغت کا استعمال کرتے ہوئے، ہم ہر لفظ کا پتہ لگا سکتے ہیں، ان کے باؤنڈنگ باکس کی معلومات، ان میں موجود متن، اور ان کے اعتماد کے اسکور حاصل کر سکتے ہیں۔

آپ نیچے دیے گئے کوڈ کو استعمال کر کے خانوں کو پلاٹ کر سکتے ہیں۔

n_boxes = len(d['text'])
for i in range(n_boxes):
    if float(d['conf'][i]) > 60:
        (x, y, w, h) = (d['left'][i], d['top'][i], d['width'][i], d['height'][i])
        img = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

cv2.imshow('img', img)
cv2.waitKey(0)

آپ کو درج ذیل آؤٹ پٹ نظر آئے گا:

اس طرح ہم انوائس کے علاقوں کو استعمال اور پہچان سکتے ہیں۔ تاہم، کلیدی قدر کے جوڑے نکالنے کے لیے حسب ضرورت الگورتھم بنائے جائیں۔ اس کے بارے میں ہم درج ذیل حصوں میں مزید جانیں گے۔

لیگیسی انوائس پارسرز کے مسائل (قواعد پر مبنی کیپچرنگ)

آج، بہت سی تنظیمیں اب بھی انوائس ڈیٹا نکالنے کے لیے میراثی نظام پر انحصار کرتی ہیں۔

یہ "قواعد پر مبنی" سسٹم انوائسز پر ہر لائن آئٹم کو پارس کرتے ہیں اور پھر ان کا قواعد کے ایک سیٹ سے موازنہ کرتے ہیں تاکہ یہ تعین کیا جا سکے کہ آیا معلومات کو ان کے ڈیٹا بیس میں شامل کیا جانا چاہیے۔

یہ طریقہ ایک طویل عرصے سے استعمال کیا جا رہا ہے لیکن اس میں کئی خرابیاں ہیں۔ آئیے لیگیسی انوائس پارسرز کو درپیش کچھ عام مسائل کو دیکھتے ہیں۔

• اسکین کرتے وقت صفحہ جھکاؤ: اصول پر مبنی انوائس پارسرز کے ساتھ ایک مسئلہ یہ ہے کہ انہیں "صفحہ جھکاؤ" میں دشواری ہو سکتی ہے۔ ایسا اس وقت ہوتا ہے جب انوائس میں فیلڈز سیدھی لائن میں نہیں ہوتے ہیں، جس سے تجزیہ کار کے لیے ڈیٹا کو درست طریقے سے شناخت کرنا اور نکالنا مشکل ہو جاتا ہے۔ یہ اکثر ایسے پرنٹرز کی وجہ سے ہو سکتا ہے جو یکساں طور پر پرنٹ نہیں کرتے ہیں یا ڈیٹا کے دستی ان پٹ سے ہو سکتا ہے جو درست طریقے سے منسلک نہیں ہو سکتے۔
• فارمیٹ میں تبدیلی۔: کاروبار کو درپیش سب سے عام مسائل میں سے ایک انوائسز ہیں جو معیاری فارمیٹ میں فارمیٹ نہیں ہوتے ہیں۔ انوائس سے ڈیٹا نکالنے کی کوشش کرتے وقت یہ مسائل پیدا کر سکتا ہے۔ مثال کے طور پر، مختلف فونٹس استعمال کیے جا سکتے ہیں، اور انوائس کی ترتیب ایک مہینے سے دوسرے مہینے میں تبدیل ہو سکتی ہے۔ ڈیٹا کو پارس کرنا اور اس بات کا تعین کرنا مشکل ہے کہ ہر کالم کس چیز کی نمائندگی کرتا ہے۔ مثال کے طور پر، انوائس میں کچھ نئے فیلڈز شامل کیے جا سکتے ہیں، یا کچھ موجودہ فیلڈز کو مختلف پوزیشنوں میں رکھا جا سکتا ہے۔ یا مکمل طور پر ایک نیا ڈھانچہ ہوسکتا ہے جس کی وجہ سے ایک عام اصول پر مبنی تجزیہ کار انوائسز کو صحیح طریقے سے نہیں پہچان سکے گا۔
• ٹیبل نکالنا: اصول پر مبنی ٹیبل ایکسٹریکٹر اکثر ٹیبل سے ڈیٹا نکالنے کا سب سے سیدھا اور آسان طریقہ ہوتا ہے۔ تاہم، ان ٹیبلز کے ساتھ کام کرتے وقت ان کی اپنی حدود ہوتی ہیں جن میں کوئی ہیڈر نہیں ہوتا ہے یا مخصوص کالموں میں کالعدم اقدار شامل نہیں ہوتے ہیں کیونکہ یہ منظرنامے پروسیسنگ کے دوران ایک لامحدود لوپ کا سبب بنتے ہیں جس کے نتیجے میں یا تو لامحدود لمبی قطاروں کو میموری میں لوڈ کرنے میں وقت ضائع ہوتا ہے (یا کچھ بھی آؤٹ پٹ نہیں ہوتا ہے۔ بالکل) اگر ان اوصاف کو بھی شامل کرنے پر منحصر تاثرات موجود ہوں۔ مزید برآں، جب میزیں متعدد صفحات پر محیط ہوتی ہیں، اصول پر مبنی تجزیہ کار انہیں ایک کی بجائے مختلف جدولوں کے طور پر دیکھتے ہیں اور اس طرح نکالنے کے عمل کو گمراہ کرتے ہیں۔

Nanonets کے ساتھ AI پر مبنی انوائس پارسر بنائیں

آپٹیکل کریکٹر ریکگنیشن (OCR) اور ڈیپ لرننگ والے انوائس پارسر ان انوائسز سے ڈیٹا نکال سکتے ہیں جنہیں اسکین کیا گیا ہے یا پی ڈی ایف میں تبدیل کیا گیا ہے۔ یہ ڈیٹا پھر اکاؤنٹنگ سوفٹ ویئر کو آباد کر سکتا ہے، اخراجات کو ٹریک کر سکتا ہے، اور رپورٹیں بنا سکتا ہے۔

ڈیپ لرننگ الگورتھم یہ سیکھ سکتے ہیں کہ انوائس میں مخصوص عناصر کی شناخت کیسے کی جائے، جیسے کہ گاہک کا نام، پتہ، اور پروڈکٹ کی معلومات۔ یہ زیادہ درست ڈیٹا نکالنے کی اجازت دیتا ہے اور سسٹم میں ڈیٹا کو دستی طور پر داخل کرنے کے لیے درکار وقت کو کم کر سکتا ہے۔ تاہم، اس طرح کے الگورتھم بنانے میں کافی وقت اور مہارت درکار ہوتی ہے، لیکن فکر نہ کریں۔ Nanonets آپ کی پیٹھ ہے!

Nanonets ایک OCR سافٹ ویئر ہے جو مصنوعی ذہانت کا استعمال کرتا ہے تاکہ پی ڈی ایف دستاویزات، تصاویر اور اسکین فائلوں سے ٹیبل نکالنے کو خودکار بنایا جاسکے۔ دیگر حلوں کے برعکس، اسے ہر نئی دستاویز کی قسم کے لیے الگ الگ اصولوں اور ٹیمپلیٹس کی ضرورت نہیں ہے۔ اس کے بجائے، یہ وقت کے ساتھ بہتر ہوتے ہوئے نیم ساختہ اور غیر دیکھے ہوئے دستاویزات کو سنبھالنے کے لیے علمی ذہانت پر انحصار کرتا ہے۔ آپ آؤٹ پٹ کو صرف اپنی دلچسپی کے ٹیبلز یا ڈیٹا انٹریز کو نکالنے کے لیے بھی اپنی مرضی کے مطابق بنا سکتے ہیں۔

یہ تیز، درست، استعمال میں آسان ہے، صارفین کو شروع سے اپنی مرضی کے مطابق OCR ماڈل بنانے کی اجازت دیتا ہے، اور اس میں کچھ صاف Zapier انضمام ہے۔ دستاویزات کو ڈیجیٹائز کریں، ٹیبلز یا ڈیٹا فیلڈز نکالیں، اور APIs کے ذریعے اپنے روزمرہ کے ایپس کے ساتھ ایک سادہ، بدیہی انٹرفیس میں ضم کریں۔

[سرایت مواد]

Nanonets بہترین پی ڈی ایف پارسر کیوں ہے؟

• Nanonets صفحہ پر موجود ڈیٹا کو نکال سکتے ہیں جبکہ کمانڈ لائن پی ڈی ایف پارسرز صرف اشیاء، ہیڈر اور میٹا ڈیٹا جیسے کہ (عنوان، #صفحات، خفیہ کاری کی حیثیت، وغیرہ) نکال سکتے ہیں۔
• Nanonets PDF پارسنگ ٹیکنالوجی ٹیمپلیٹ پر مبنی نہیں ہے۔ مقبول استعمال کے معاملات کے لیے پہلے سے تربیت یافتہ ماڈل پیش کرنے کے علاوہ، Nanonets PDF پارسنگ الگورتھم بھی غیر دیکھی ہوئی دستاویز کی اقسام کو سنبھال سکتا ہے!
• مقامی پی ڈی ایف دستاویزات کو ہینڈل کرنے کے علاوہ، Nanonet کی ان بلٹ OCR صلاحیتیں اسے اسکین شدہ دستاویزات اور تصاویر کو بھی ہینڈل کرنے کی اجازت دیتی ہیں!
• AI اور ML صلاحیتوں کے ساتھ مضبوط آٹومیشن خصوصیات۔
• Nanonets غیر ساختہ ڈیٹا، عام ڈیٹا کی رکاوٹوں، کثیر صفحاتی پی ڈی ایف دستاویزات، میزیں، اور ملٹی لائن آئٹمز کو آسانی کے ساتھ ہینڈل کرتے ہیں۔
• Nanonets ایک بغیر کوڈ والا ٹول ہے جو اپنی مرضی کے مطابق ڈیٹا پر مسلسل سیکھ سکتا ہے اور خود کو دوبارہ تربیت دے سکتا ہے تاکہ ایسے آؤٹ پٹ فراہم کیے جا سکیں جس میں پوسٹ پروسیسنگ کی ضرورت نہیں ہوتی ہے۔

نانونٹس کے ساتھ خودکار انوائس پارس کرنا - مکمل طور پر ٹچ لیس انوائس پروسیسنگ ورک فلوز بنانا

اپنے موجودہ ٹولز کو Nanonets کے ساتھ مربوط کریں اور ڈیٹا اکٹھا کرنے، ایکسپورٹ اسٹوریج، اور بک کیپنگ کو خودکار بنائیں۔

نانونیٹس انوائس پارس ورک فلوز کو خودکار بنانے میں بھی مدد کر سکتے ہیں:

• متعدد ذرائع سے انوائس ڈیٹا کو درآمد اور مستحکم کرنا - ای میل، اسکین شدہ دستاویزات، ڈیجیٹل فائلیں/تصاویر، کلاؤڈ اسٹوریج، ERP، API، وغیرہ۔
• رسیدوں، رسیدوں، بلوں اور دیگر مالیاتی دستاویزات سے ذہانت سے انوائس ڈیٹا کیپچر کرنا اور نکالنا۔
• کاروباری قواعد کی بنیاد پر لین دین کی درجہ بندی اور کوڈنگ۔
• داخلی منظوری حاصل کرنے اور مستثنیات کا نظم کرنے کے لیے خودکار منظوری کے ورک فلو کو ترتیب دینا۔
• تمام لین دین کو ملانا۔
• ERPs یا اکاؤنٹنگ سافٹ ویئر جیسے Quickbooks، Sage، Xero، Netsuite، اور مزید کے ساتھ بغیر کسی رکاوٹ کے انضمام۔