使用智能表单提取程序提取基于锚点的数据

以下示例说明了如何从可能还包含手写文本的表单中提取数据。 以下用例场景说明了如何从采购订单中提取数据。

它提供了诸如“数字化文档” 、 “数据提取作用域”或“智能表单提取程序”之类的活动。您可以在UiPath.IntelligentOCR.Activities包中找到这些活动。

创建工作流

在创建以下工作流之前，需要安装以下包：

• UiPath.DocumentProcessing.Contracts.Activities
• UiPath.Intelligent OCR.Activities
• UiPath.OCR.Activities
• UiPath.OCR.Contracts
• UiPath.WebAPI.Activities

Steps:

1. 打开 Studio ，创建一个新“流程”。

2. 在“工作流设计器”中添加一个“序列”容器，将其命名为“序列 1” ，然后创建下表中显示的变量：

   表格 1. 要创建的变量

   	变量类型	默认值
   item	字符串	不适用
   classificationResult	ClassificationResult[]	不适用
   outputFileName	泛型值	不适用

3. 在第一个“序列”容器之后，在“工作流设计器”中添加另一个“序列”容器，将其命名为“序列 2” ，然后创建下表中显示的变量：

   表 2. 要创建的变量

   	变量类型	默认值
   text	字符串	不适用
   taxonomy	DocumentTaxonomy	不适用
   dom	文档	不适用
   documentPath	字符串	不适用
   classificationResult2	ClassificationResult[]	不适用
   outputFileName2	泛型值	不适用

4. Add a Message Box activity inside the sequence.

   • 在“属性”面板中，从“按钮”下拉列表中选择“确定”选项。在“文本”字段中添加以下消息：“选择 PDF 文件”。

5. 选中“排名最前”选项的复选框。这会将消息框置于前台。

6. 在“消息框”活动之后添加“选择文件”活动。

   • 在“属性”面板中，向“筛选器”字段添加以下文本： Pdf files (*.pdf)|*.pdf
   • Add the documentPath variable in the SelectedFile field.

7. 将“分配”活动拖动至“选择文件”活动后面。

   • Add the outputFileName2 variable in the To field.
   • 在“值”字段添加表达式 ".temp/" + Path.GetFileName(documentPath)。

8. 在“分配”活动之后添加“反序列化 JSON”活动。

   • Add the expression File.ReadAllText("DocumentProcessing axonomy.json") in the JSON String field.
   • In the Properties panel, select the UiPath.DocumentProcessing.Contracts.Taxonomy.DocumentTaxonomy option from the TypeArgument dropdown list.
   • Add the taxonomy variable in the JsonObject field.

9. 在“反序列化 JSON”活动之后添加“数字化文档”活动。

   • In the Properties panel, add the value 1 in the DegreeOfParallelism field.
   • Add the documentPath variable in the DocumentPath field.
   • Add the dom variable in the DocumentObjectModel field.
   • Add the text variable in the DocumentText field.
   • 在活动中添加UiPath™ 文档 OCR引擎。
   • Add your API Key inside the ApiKey field.
   • Add the "https://du.uipath.com/ocr" expression in the Endpoint field.

10. 在“数字化文档”活动之后添加“写入文本文件”活动。

    • Add the JsonConvert.SerializeObject(dom) expression in the Text field.
    • Add the outputFileName2 + ".dom.json" expression in the FileName field.

11. 在“写入文本文件”活动之后添加另一个“写入文本文件”活动。

    • Add the text variable in the Text field.
    • Add the outputFileName2 + ".text.txt" expression in the FileName field.

12. 在“工作流设计器”中拖动另一个“序列”容器 ，将其命名为“序列 3” ，然后创建下表中显示的变量：

    表 3. 要创建的变量

    	变量类型	默认值
    extractionResult	提取结果	不适用
    validatedResults	提取结果	不适用
    doubleValidatedResults	提取结果	不适用
    dataset	数据集	不适用
    i	Int32	不适用

13. Add a Data Extraction Scope activity inside the Sequence3.

    • In the Properties panel, add the dom variable in the DocumentObjectModel field.
    • Add the documentPath variable in the DocumentPath field.
    • Add the text variable in the DocumentText field.
    • Add the "All.Benchmarks.Invoice" expression in the DocumentTypeId field.
    • Add the taxonomy variable in the Taxonomy field.
    • Add the extractionResult variable in the ExtractionResults field.

14. Add an Intelligent Form Extractor activity inside the Data Extraction Scope activity.

    • Add your API Key in the ApiKey field.

15. 在“数据提取作用域”活动之后添加“写入文本文件”活动。

    • Add the JsonConvert.SerializeObject(extractionResult) expression in the Text field.
    • Add the outputFileName2 + ".results.json" expression in the FileName field.

16. 在“写入文本文件”活动之后添加“显示验证站点”活动。

    • Add the extractionResult variable in the AutomaticExtractionResults field.
    • Add the dom variable in the DocumentObjectModel field.
    • Add the documentPath variable in the DocumentPath field.
    • Add the text variable in the DocumentText field.
    • Add the taxonomy variable in the Taxonomy field.
    • Add the validatedResults variable in the ValidatedExtractionResults field.

17. 在“显示验证站点”活动后添加“写入文本文件”活动。

    • Add the JsonConvert.SerializeObject(validatedResults) expression in the Text field.
    • Add the outputFileName2 + ".savedinVS.results.json" expression in the FileName field.

18. 在“写入文本文件”活动之后添加另一个“写入文本文件”活动。

    • Add the JsonConvert.SerializeObject(doubleValidatedResults) expression in the Text field.
    • Add the outputFileName2 + ".doubleSavedinVS.results.json" expression in the FileName field.

19. 运行流程。 自动化流程应打开验证站点，提取数据并进行验证，并将其存储在“输出”文件夹中。

请访问以下链接，将该示例下载为ZIP格式的文件：示例。

定义分类

您已经创建了工作流，定义了所有变量并自定义了所有活动。现在是时候定义分类了。请访问加载分类，了解有关定义自己的分类的信息。

创建分类，以便能够从发票中提取信息。您应该专注于创建“发票”文档类型，其中包含下表中显示的字段：

表 4. 发票文档类型字段

	字段类型
发票编号	Text
小计	Number
销售税	Number
总计	Number

图 1. 包含前面提到的字段的已完成分类的概览

创建模板

现在可以为提取流程创建模板。请访问加载分类，了解如何创建模板。

对于本示例，使用以下值配置模板：

• 文档类型：发票。
• 模板名称: Invoice-example。
• 模板文档：选择目标文件。
• OCR 引擎：Microsoft OCR。
• 语言：英语。
• 配置文件: 扫描。
• 规模：1。

图 2. 显示模板配置的动图示例

在模板中设置锚点

当您需要从文档中提取精确信息时，锚点是一项非常特殊且有用的功能。 通过使用锚点定义提取区域，您可以期望数据提取具有较高的准确性。

定义分类并创建模板后，您可以使用锚点开始配置模板，这意味着在框中定义提取区域，并且使用锚点定义框位置。

在开始将锚点添加到模板之前，请查看以下列表，以获取一些建议：

• 锚框应尽可能大（高度、宽度），以覆盖任何类型的发票编号（长、短、大字体等）。
• 一个提取区域可以根据需要具有任意数量的锚点，但只能将一个锚点定义为主锚点（第一个）。
• 使用由多个并排单词组成的锚点。
• 主锚点应尽可能靠近提取区域。
• 提取区域和主锚点的位置在模板中是固定的，即使应用于不同的文档也是如此。 唯一可以改变的是主锚点和次要锚点之间的距离。

让我们继续配置模板，看看如何使用锚点提取数据。

1. 设置提取区域：

   • 在“验证站点”右侧的区域中，选择“选择模式” 。

   • 选择“锚点” 。

   • 开始选择所需的区域。

     备注：

     主锚点应包含两个或三个单词，以便在提取过程中获得更高的准确性和更好的结果。

     标记锚点时，通过按 CTRL 键并选择所需字词来选择多个字词。

2. 设置主锚点：
   1. 当仍处于“锚点”选择模式时，选择所需的区域作为主锚点。
   2. 选择所需字段的“提取值” 。
3. 设置次要锚点：
   1. 确保您仍处于“锚点”选择模式，并激活主锚点选择。
   2. 为次要锚点选择新区域。
   3. 为所需字段选择“选项” ，然后选择“更改提取的值” 。

重复此过程，直到完成所有提取区域的定义并添加所有锚点。 完成后，保存模板。