Receipt parser🧾

What is it?

receipt_parser - Python библиотека, помогающая распознавать товарную позицию из чеков. Для это задачи есть хороший сервис от Тинькофф, однако он не справляется с грязными данными, как на картинке выше. Изначально была задумка использовать нейронные сети, однако в процессе работы, понял, что на разметку нужно потратить много времени/денег, да и модель, основанная на правилах и словарях, даёт хороший результат.

Features

• распознавание продукта;
• определение категории товара;
• распознавание брендов;
• перевод англицизмов (хугарден --> hoegaarden)🍺

Where to get it

Исходный код в размещен на GitHub.

Библиотека размещёна на Python package index:

pip install receipt-parser

Если возникнет ошибка при установке пакета: Command "python setup.py egg_info" failed with error code 1 in /tmp/pip-build-izdic4qt/youtokentome/ То установите Cython и повторите попытку: pip install Cython

Usage

Для распознавания сейчас доступна только RuleBased модель.

На вход можно подавать как строку:

from receipt_parser import RuleBased

product_desription = 'Нап.пив.ХУГАР.ГРЕЙПФ.н/ф 0.47л'
rb = RuleBased()
rb.parse(product_desription)

output:

	name	product_norm	brand_norm	cat_norm
0	Нап.пив.ХУГАР.ГРЕЙПФ.н/ф 0.47л	напиток, пиво	hoegaarden	Воды, соки, напитки

Так и pd.DataFrame (колонка с товарной позицией должна называться name):

from receipt_parser import RuleBased

rb = RuleBased()
rb.parse(df)

Также в библиотеке есть два вспомогательных класса:

• Normalizer - для нормализации;
• Finder - для поиска по словарям.

Future work

• Добавить тесты
• Дополнить словари и собранные датасеты
• Поднять сервис
• Перейти на нейронные сети...

Support the project 🤗

Буду рад, если вы:

• найдёте баги;
• сможете оптимизировать код;
• дополните словари и датасеты;
• поможете с разметкой.