遗憾的是，由于涉及机密数据，我无法提供更具体的解释。
问题
我有几份文档，这些文档通常包含相同的信息，但格式各不相同。在大多数情况下，我要找的值通常靠近文档上的某个关键词。OCR本身由Google Cloud Vision API处理，但如何处理这些不同格式的最佳方法是什么？
我的想法
…是训练一个分类器来检测我正在处理的格式，然后选择我事先手动实现的查找目标值的适当方法。这既不方便也不具备可扩展性。因此，我在寻找某种算法，例如告诉我目标值的位置、外观等信息。
对于这个问题，最佳的机器学习方法是什么，或者你们有哪些想法？
作为数据类型的示例：假设我有来自20个不同超市的收据，我要找的是总费用，问题是每个公司的收据看起来都不一样。
回答：
最近我处理了一个类似的情境，使用了tesseract，除了OCR工具本身外，我没有使用任何机器学习方法，因为正如你所说，这不会具有可扩展性。
我认为除非你有大量不同的布局，否则使用分类器不会有回报，然后你还得决定如何为每种布局提取数据…
这很大程度上取决于你需要提取的数据类型，但以你的例子来说，如果你需要从所有不同的布局中提取总费用，你可以从每张收据中尽可能多地提取数字，并根据一些因素对它们进行评分，例如：
- 如果它是一个费用（$或其他货币符号）
- 与一些常见关键词（如“总计、最终、合计等”）的距离
- 如果它是该收据的最高值
- 你可能想到的其他因素，这完全取决于你需要提取的数据
然后你可以使用每个收据得分最高的各个费用来计算最终的总费用
