Когда я впервые полез разбираться с электронными счетами, я был уверен, что главная проблема — распознать текст с картинки. Оказалось, что распознавание — самая простая часть задачи, а настоящая боль начинается там, где документ формально электронный, но программа его всё равно не видит. За полтора года я собрал коллекцию грабель и хочу рассказать про них без прикрас: где именно ломается чтение счетов в немецком и итальянском документообороте, почему «просто распарси XML» не работает и какие проверки спасают от ошибок, которые потом всплывают в книге покупок.
Начну с того, что сбивает с толку почти всех. В разговорах «электронный счёт» означает три совершенно разные вещи. Первая — обычный PDF, полученный сканированием бумаги: внутри картинка, данных нет, читать можно только глазами или распознаванием. Вторая — PDF, в который вложен XML: снаружи он выглядит как нормальный счёт с печатью, но внутри лежит структура, и это самый коварный вариант, потому что он неотличим от первого, пока не откроешь файл архиватором. Третья — чистый XML без человекочитаемой версии, который приходит через оператора электронного документооборота или скачивается из государственной системы.
Немецкий ZUGFeRD — это как раз второй случай: PDF/A-3 с вложенным XML по стандарту Factur-X. Итальянский FatturaPA и немецкий XRechnung — третий: там нет «красивой» версии вообще, только данные и подпись. Для человека, который привык открывать счёт двойным щелчком, оба варианта выглядят как поломка: файл либо не открывается, либо открывается, но внутри вместо документа — набор тегов.
Первые грабли, на которые я наступил, были смешными. Я решил, что раз это PDF, надо вытащить из него текст и разобрать регулярками. Написал парсер, который искал «Итого», «НДС» и суммы рядом. На тестовой пачке из десяти документов он сработал на восьми, и я решил, что задача решена. На реальной пачке из сорока он сломался на третьем файле: в счёте была скидка, и «Итого» стояло дважды — до скидки и после. Парсер взял первое число, и разница в четыре тысячи рублей ушла в учёт молча.
Именно тогда я сформулировал для себя правило, которое теперь считаю главным: никогда не доверять одному полю. Любой документ надо проверять на согласованность — сумму строк против итога, ставку налога против суммы налога, номер документа против реестра. Ошибка распознавания почти всегда проявляется как расхождение, если есть с чем сверять, и почти никогда не проявляется, если проверять поле в отрыве от остальных.
Вторая серия грабель была связана с кодировками и разделителями. В XML суммы бывают записаны и с точкой, и с запятой, а разделитель тысяч в некоторых форматах — неразрывный пробел, который выглядит как обычный, но сравнивается иначе. Первый же документ с суммой вида «1 234,56» развалил мой парсер: он прочитал строку как «1», а остаток отбросил. Проверка на согласованность это поймала бы, а я к тому моменту её ещё не сделал.
Третья, самая неприятная, история — про статусы. Немецкий УПД-аналог существует в двух вариантах: один подтверждает и передачу, и право на вычет налога, другой — только передачу. Формально это один и тот же документ, разница в одном поле, но последствия разные: во втором случае налог к вычету заявить нельзя. Я узнал об этом не из документации, а от бухгалтера, которая показала, как из-за путаницы в статусе у неё не прошёл вычет, и разбирательство заняло месяц. С тех пор статус — первое, что проверяет мой код после извлечения данных.
Дальше начинается скучная часть, которую никто не любит, но именно она определяет, будет ли инструмент работать в реальной бухгалтерии. Документы приходят не по одному и не в идеальном порядке: часть лежит в почте, часть в мессенджере менеджера, часть в папке на сетевом диске, а электронные — в контейнерах оператора. Если не свести всё в одну точку, любая автоматизация разбивается о логистику: половина файлов просто не доходит до парсера, и никто этого не замечает, потому что учёт «вроде закрылся».
Ещё одна вещь, которую я недооценил, — идемпотентность. Поставщики присылают один и тот же счёт дважды, менеджеры пересылают файлы, оператор присылает копию. Если код не умеет отличать повтор от нового документа, в учёте появляются дубли, и найти их потом сложнее, чем изначально всё ввести руками. Пришлось вводить ключ из номера, даты и ИНН поставщика, и это оказалось надёжнее, чем хеш файла: тот же счёт может прийти в другом контейнере с другой подписью.
Про точность я теперь говорю осторожно. Когда видишь в описаниях «99,9 процента», стоит помнить: это средняя температура по больнице, и она ничего не говорит о том, попадёт ли конкретная ошибка в ваш учёт. Куда полезнее держать в голове перечень мест, где модель ошибается предсказуемо. Похожие символы — пятёрка и девятка, ноль и буква «О» — дают ошибки в суммах, которые глазом в таблице из сорока строк не видны. Смешанная ставка налога, когда в документе есть строки с налогом и без, провоцирует расчёт налога на всю сумму. А номер документа с переставленными цифрами ломает сопоставление с реестром, и это выясняется через месяц.
Из этого выросла практика, которую я считаю обязательной для любого, кто автоматизирует ввод: после загрузки надо сверять не поля, а агрегаты. Сумма всех документов за период против суммы в учёте, количество документов против количества строк, итог по каждому документу против суммы его строк. Это занимает минуты и ловит ровно тот класс ошибок, который не ловится просмотром.
Отдельно скажу про государственный контур, потому что он меняет правила игры. В Германии обязательность электронного счёта в B2B вводится поэтапно: сначала все обязаны принимать, потом выставлять. В Италии FatturaPA обязателен давно и ходит через государственную систему, где документ существует в единственном машиночитаемом виде. Смысл один: государство хочет видеть структуру, потому что структуру можно проверить автоматически, а картинку — нет. Значит, доля «правильных» файлов будет расти, но малый бизнес ещё долго будет присылать фотографии, и инструмент обязан уметь и то, и другое.
Если из всего этого опыта нужно оставить одну практическую вещь, я бы оставил такую. Прежде чем вбивать счёт руками, откройте файл блокнотом или архиватором. Если внутри видны теги — данные уже есть, и перепечатывать их не нужно. Это тридцать секунд проверки, которые экономят вечер, и почему-то именно эту проверку не делает почти никто.