이미지 속 영수증을 장부로 변환하다

공급자: ABC상사
사업자등록번호: 123-45-67890
공급받는자: XYZ주식회사
작성일자: 2026-03-15
공급가액: 10,000,000 / 부가세: 1,000,000 / 합계금액: 11,000,000

from pypdf import PdfReader

reader = PdfReader("invoice.pdf")
text = ""

for page in reader.pages:
    text += page.extract_text() or ""

if not text.strip():
    print("이 파일은 스캔본(이미지 PDF)입니다. OCR 처리가 필요합니다.")
else:
    print("텍스트 추출 성공:", text)

import pytesseract
from PIL import Image

# 영수증 이미지에서 한글+영어 복합 추출
ocr_text = pytesseract.image_to_string(Image.open("receipt.png"), lang="kor+eng")
print(ocr_text)

import re

text = "공급가액: 10,000,000원 / 부가세: 1,000,000원"

# [사업자번호 추출 패턴] 000-00-00000
biz_num = re.findall(r"\d{3}[- ]?\d{2}[- ]?\d{5}", text)

# [날짜 추출 패턴] 2026-03-15
dates = re.findall(r"\d{4}[-./]\d{1,2}[-./]\d{1,2}", text)

def extract_amount(text, keyword):
    # keyword(예: '부가세') 뒤에 등장하는 최대 20글자 이내의 숫자 덩어리 획득
    pattern = keyword + r".{0,20}?([\d,]+)"
    match = re.search(pattern, text)
    
    if match:
        return int(match.group(1).replace(",", ""))
    return None

supply = extract_amount(text, "공급가액")  # 10000000
vat = extract_amount(text, "부가세")     # 1000000
total = extract_amount(text, "합계")       # 11000000

# [강력한 상호 검증 로직]
if supply + vat == total:
    print("✓ OCR 금액 신뢰도 100%")
else:
    print("⚠ 금액 검토 필요 (OCR 오인식 의심)")

# 1차 파이썬 Rule Engine (0원)
def classify_document(text):
    if "세금계산서" in text or ("공급가액" in text and "부가세" in text):
        return "tax_invoice"
    if "거래명세서" in text:
        return "statement"
    return "unknown" # 알 수 없는 문서만 AI에게 토스

# 2차 AI 프롬프트 (비용 발생)
"다음 문서를 분석하여 [tax_invoice, receipt, card_receipt, bank_statement] 중 하나의 JSON으로 분류하시오."

import hashlib

def get_file_hash(filepath):
    h = hashlib.sha256()
    with open(filepath, "rb") as f:
        while chunk := f.read(8192):
            h.update(chunk)
    return h.hexdigest()

# DB에 저장된 과거 증빙 해시값과 대조하여 중복 업로드 차단