最近有个朋友跟我讨论技术问题,他在用个第三方的OCR的服务,用来提取发票上的文字为结构化数据。但收费较高,想自己实现一套,试了开源的PaddleOCR,识别可以,但是无法转成结构化的数据。
我建议他试试多模态的LLM,比如Gemini 1.5 Flash,用来做 OCR 效果非常好,可以在 Prompt 里面定制要输出的格式,并且成本极低。
参考提示词:
***
Extract text from the provided image and organize it into a structured JSON format.
***
如果要自定义JSON格式,给一个样例应该就可以了。
点击图片查看原图
点击图片查看原图