RapidOCR 发票票据识别技能

概述

使用 RapidOCR (rapidocr-onnxruntime) 引擎对发票/票据图片进行 OCR 识别，提取关键字段：价税合计金额、发票号码、开票日期、销售方/购买方名称等。支持电子发票（数电票 PNG）和纸质增值税专用/普通发票扫描件（JPEG/PNG），纯 CPU 运行，无需 GPU。

核心能力

• 批量 OCR 识别：支持单张或目录批量处理发票图片
• 智能金额提取：自动定位"价税合计（小写）"行，提取金额并交叉验证
• 文档图片提取：从 docx 文档中提取嵌入的发票图片，按段落上下文建立客户-发票对应关系
• 重复引用检测：检测同一图片在文档中被多次引用的情况，按实际引用次数累计金额
• 交叉验证机制：通过"金额 + 税额 = 价税合计"和大写金额双重校验，自动发现 OCR 丢字问题
• Excel 报表生成：一键生成包含汇总表和明细表的标准 Excel 报表

技术特性

适用场景

• 企业财务：从合同文档中批量提取发票金额，按客户/供应商汇总统计
• 记账软件：发票图片自动识别并录入金额、发票号等字段，替代手工录入
• 报销审核：批量扫描报销发票，自动提取金额并校验合理性
• 税务合规：发票信息数字化归档，便于查询和审计
• 数据分析：将纸质票据转化为结构化数据，支持后续财务分析

环境安装

前置条件

• Python 3.10+
• 操作系统：Windows / Linux / macOS

创建独立 OCR 虚拟环境

建议在独立 venv 中安装，避免依赖冲突：

# 创建 venv
python -m venv ocr_env

# 激活（Windows）
ocr_env\Scripts\activate
# 激活（Linux/macOS）
source ocr_env/bin/activate

# 安装依赖
pip install rapidocr-onnxruntime Pillow openpyxl

验证安装：

python -c "from rapidocr_onnxruntime import RapidOCR; engine = RapidOCR(); print('OCR engine ready')"

使用流程

第一步：从 docx 文档提取发票图片（可选）

当发票图片嵌入在 Word 文档中时，使用 scripts/extract_docx_images.py 提取图片并建立上下文对应关系：

python scripts/extract_docx_images.py <docx文件路径> [--output <输出目录>]

该脚本会：
1. 解压 docx（本质为 ZIP），提取 word/media/ 下所有图片
2. 解析 word/document.xml 和 word/_rels/document.xml.rels
3. 按文档段落顺序建立图片与上下文文字（如客户名称）的对应关系
4. 自动区分 JPEG（通常为合同/证明材料）和 PNG（通常为电子发票）
5. 检测同一图片在文档中被多次引用的情况（同一 rId 出现多次 blip 引用），不去重

第二步：OCR 识别并提取金额

使用 scripts/ocr_invoices.py 进行批量 OCR 识别和金额提取：

python scripts/ocr_invoices.py <图片目录或文件> [--output <结果JSON路径>] [--scale 1.5] [--contrast 1.5]

参数说明：
- --scale：图片放大倍数（默认 1.5，提高小字识别率）
- --contrast：对比度增强系数（默认 1.5）
- --output：结果输出 JSON 文件路径

输出 JSON 格式：

[
  {
    "image": "image5.png",
    "amount": 131741.27,
    "invoice_number": "25442000000012345678",
    "date": "2024-03-15",
    "raw_text": "..."
  }
]

第三步：金额交叉验证（可选）

使用 scripts/verify_amounts.py 验证 OCR 结果准确性：

python scripts/verify_amounts.py <OCR结果JSON路径> [--output <验证报告路径>]

验证逻辑：
- 金额（不含税）+ 税额 = 价税合计 → 等式成立则通过
- 大写金额反推数字金额 → 与 OCR 识别金额比对
- 标记验证失败的记录，提示人工复核

金额提取规则

中国发票的"价税合计（小写）"金额提取遵循以下优先级规则：

1. 首选规则：查找包含"价税合计"且包含"小写"的行，在其后 3 行范围内匹配 （小写）¥XXX,XXX.XX 格式
2. 备选规则 1：匹配 ¥ 后跟数字（含千分位逗号）的金额
3. 备选规则 2：取文本中所有 ¥ 金额的最大值（适用于发票总额最大的场景）
4. 交叉验证：当金额 + 税额可计算时，验证等式 金额(不含税) + 税额 = 价税合计，用于发现 OCR 丢字问题

常见问题与处理

OCR 识别金额丢失首位数字

电子发票中"（小写）"后的金额可能因字体渲染问题导致首位数字丢失（如 66854.00 识别为 6854.00）。

解决方案：
- 交叉验证：金额(不含税) + 税额 = 价税合计，若等式不成立则 OCR 结果可能有误
- 大写金额验证：OCR 同时识别"价税合计（大写）"行，通过大写金额反推数字金额
- 图片放大：使用 --scale 2.0 放大图片后重新 OCR

文档中同一图片被多次引用

Word 文档中同一张图片可能被插入多次（document.xml 中同一 rId 出现多次 blip 引用）。处理时需注意：
- 解析 XML 时不要去重 blip 引用，按实际出现次数计数
- 同一图片文件出现 N 次，金额应累计 N 次

电子发票 vs 纸质发票金额行位置不同

• 电子发票（PNG，如数电票）："价税合计"行通常在图片高度的 52%-66% 区域
• 纸质发票扫描件（JPEG/PNG）："价税合计"行通常在图片高度的 70%-82% 区域

批量处理时可采用双区域裁剪策略，同时截取两个候选区域拼接后 OCR。

参考文档

• references/invoice_formats.md：中国发票格式说明、OCR 金额提取正则表达式、常见字段定位参考
• references/integration_guide.md：将 RapidOCR 嵌入到应用（小程序后端、桌面工具、Web 服务）的集成方案

脚本清单