发票字段抽取评测基准 v1:181 份合成票据与答案键

计算机视觉
0 下载
1 浏览
2026-10-04

数据集简介

发票抽取基准(v1)

Invoice Extraction Benchmark v1 面向发票数据抽取任务:给定一份任意来源、任意质量的发票文档,工具需输出结构化字段,基准再按字段逐一比对答案键打分。其目标场景包括发票 OCR、智能文档处理(IDP)与应付账款录入,衡量的是字段级准确率而非整页文本相似度。

数据集由 InvoiceParser Pro(IPP)合成并维护,仓库托管于 GitHub 的 DrewKraken 账号下;同一套文档与答案键也发布在 Hugging Face(drew-ipp/invoice-extraction-benchmark),附带数据集查看器。需要说明的是,该基准并非独立第三方评测,类别体系由 IPP 自行选定。

内容构成

全部 181 份文档按载体分为三类:

格式 数量 说明
PDF 113 数字文档,含文本层
JPEG 53 翻拍照片与手写件
PNG 15 扫描件

整套约 37 MB,合计 220 页,最长的一份文档为 8 页。难度标注为易 62 份、中 48 份、难 71 份;类别标注为 clean 31、currency 19、tax 14、credit 10、multipage 10、freight 16、scan 15、photo 45、handwritten 8、hard 13。

这些类别对应真实应付账款收件箱里常见的麻烦:三个损伤等级的翻拍照片、扫描与传真件、手写账本、五种不同写法的贷项通知、双币种金额、含税排版、多页发票、单个文件里放多张发票、供应商对账单,以及印刷数字本身故意加不上的发票。

目录与配套文件

仓库按用途组织:

  • corpus/v1/documents/:全部文档文件。
  • corpus/v1/answers/:每份文档对应一个 JSON 答案键。
  • corpus/v1/manifest.json:记录每份文档的 category、difficulty、damage、sha256 与答案键信息。
  • corpus/v1/metadata.jsonl:一行一份文档,供数据集查看器读取。
  • scorer/:打分脚本。
  • generator/:生成代码,含 names.py、corpus_v1.py、us_specs.py、layout.py,以 seed 42 可复现整套语料。
  • examples/predictions.example.json:预测文件格式示例。
  • examples/paired-checks-v1/:九条虚构配对上传及 CSV/XLSX 校验样例。
  • examples/challenge-v1/:八张发票组成的挑战集。

合成方式与校验

文档由生成器合成而非采集自真实企业票据,因此不含真实供应商与个人敏感信息;生成过程固定随机种子,便于复现与对照。校验方面,每份文档都配有独立答案键,manifest 中记录 sha256 以便核对文件完整性;examples/paired-checks-v1/ 另提供九条虚构配对上传与 CSV/XLSX 校验样例,可用于检查工具在批量上传与表格导出环节的表现。

许可与获取

corpus/ 与 examples/ 中的文档和答案键采用 CC BY 4.0 许可(© 2026 InvoiceParser Pro),代码仓库另附 LICENSE 文件。数据集可从 GitHub 仓库公开获取,也可在 Hugging Face 上使用同一套文档与答案键及数据集查看器。发布日期为 2026-10-04。

基本信息

记录数量未知
文件大小181 份文档(113 PDF、53 JPEG、15 PNG),约 37 MB,共 220 页,最长
文件格式PDF、JPEG、PNG、JSON、JSONL、CSV、XLSX、PY
数据来源InvoiceParser Pro
文档数量181 份
总页数220 页
数据体积约 37 MB
难度分布易 62、中 48、难 71
许可协议CC BY 4.0
发布平台GitHub、Hugging Face
发布日期2026-10-04
数据落地页https://github.com/DrewKraken/invoice-extraction-benchmark
发票抽取文档智能处理OCR字段级评测合成数据集

上架信息

数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载

价格

免费