多票务图片/PDF 识别 Skill

基于 Tesseract-OCR 的多票务图片/PDF识别工具，可自动识别票务图片或PDF中的文字信息，提取关键字段，并生成格式化的总结报告。

功能特性

• 🔍 多类型支持: 支持电影票、演唱会票、火车票、机票、活动门票等
• 📄 PDF支持: 自动将PDF转换为图片后识别，支持多页PDF
• 📝 智能解析: 自动提取日期、时间、价格、座位等关键信息
• 📊 批量处理: 支持一次处理多张票务图片或PDF
• 🎯 类型识别: 自动识别票务类型，无需手动指定
• 📄 格式化输出: 生成 Markdown 或 JSON 格式的总结报告

支持识别的票务类型

前置依赖

系统依赖

# Ubuntu/Debian
sudo apt-get update
sudo apt-get install -y tesseract-ocr tesseract-ocr-chi-sim tesseract-ocr-chi-tra

# macOS
brew install tesseract tesseract-lang

# CentOS/RHEL
sudo yum install tesseract tesseract-langpack-chi_sim

Python 依赖

# 基础依赖（必须）
pip3 install pytesseract Pillow opencv-python-headless numpy

# PDF支持（可选）
pip3 install pdf2image

PDF额外系统依赖

如需识别PDF文件，还需安装 poppler-utils：

# Ubuntu/Debian
sudo apt-get install poppler-utils

# macOS
brew install poppler

# CentOS/RHEL
sudo yum install poppler-utils

使用方法

命令行方式

# 进入 skill 目录
cd /workdir/ticket-ocr-skill

# 识别单张票务图片
python3 scripts/main.py /path/to/ticket.png

# 批量识别多张图片
python3 scripts/main.py ticket1.png ticket2.jpg ticket3.png

# 识别 PDF 文件（自动转换为图片）
python3 scripts/main.py invoice.pdf

# 识别多页 PDF（每页都会处理）
python3 scripts/main.py document.pdf --pdf-dpi 400

# 混合识别图片和 PDF
python3 scripts/main.py ticket.png invoice.pdf ticket2.jpg

# 输出为 JSON 格式
python3 scripts/main.py ticket.png -f json -o result.json

# 输出为智能表格格式（只包含：发票号码、开票日期、价税合计、发票类别）
python3 scripts/main.py ticket.png --smartsheet
python3 scripts/main.py invoice.pdf --smartsheet -o invoice_data.json

# 批量识别并输出智能表格格式
python3 scripts/main.py t3_invoice.pdf anan_invoice.pdf --smartsheet

# 使用 shell 脚本入口
bash scripts/ticket-ocr.sh ticket.png

Python API 调用

from scripts.main import process_ticket_image, process_multiple_images, convert_pdf_to_images

# 单张图片识别
result = process_ticket_image('/path/to/ticket.png')
print(result['summary'])

# 批量图片识别
results = process_multiple_images([
    '/path/to/ticket1.png',
    '/path/to/ticket2.jpg'
])
print(results['batch_summary'])

# PDF 识别（自动转换并识别）
results = process_multiple_images(['/path/to/invoice.pdf'])
print(results['batch_summary'])

# PDF 转换为图片后单独处理
image_paths = convert_pdf_to_images('document.pdf', dpi=300)
for img_path in image_paths:
    result = process_ticket_image(img_path)
    print(result['summary'])

配置文件

config.json:

{
  "name": "ticket-ocr",
  "version": "1.0.0",
  "tesseract_path": "/usr/bin/tesseract",
  "language": "chi_sim+eng",
  "output_format": "markdown"
}

输出示例

Markdown 格式

## 🎫 电影票 识别结果

**识别类型**: 电影票
**置信度**: 85.7%

### 📅 时间信息
- **日期**: 2024年5月20日
- **时间**: 19:30

### 💰 价格信息
- 金额1: ¥45.00

### 🎬 影片信息
- **影片名称**: 流浪地球3
- **影院**: 万达国际影城
- **影厅**: 5号厅
- **座位**: 8排12座

### 📝 原始识别文字

万达国际影城
影片：流浪地球3
日期：2024年5月20日
时间：19:30
影厅：5号厅
座位：8排12座
票价：¥45.00

JSON 格式

{
  "image_path": "/path/to/ticket.png",
  "parsed_info": {
    "ticket_type": "movie",
    "confidence": 0.857,
    "date_time": {
      "dates": ["2024年5月20日"],
      "times": ["19:30"]
    },
    "prices": [45.0],
    "movie_name": "流浪地球3",
    "cinema": "万达国际影城",
    "screen": "5号厅",
    "seat": "8排12座"
  },
  "summary": "..."
}

智能表格格式 (--smartsheet)

用于对接企业微信智能表格，只输出以下字段：
- 发票号码: 从发票中提取的号码
- 开票日期: 发票上的日期
- 价税合计: 发票总金额
- 发票类别: 自动判断（旅客运输服务/餐饮服务/住宿服务/会议展览服务/其他）

[
  {
    "发票号码": "25327000001180722842",
    "开票日期": "2025-06-09",
    "价税合计": 10.85,
    "发票类别": "旅客运输服务",
    "来源文件": "t3_invoice.pdf"
  },
  {
    "发票号码": "25342000000162278823",
    "开票日期": "2025-09-18",
    "价税合计": 6.00,
    "发票类别": "旅客运输服务",
    "来源文件": "anan_invoice.pdf"
  }
]

批量处理报告示例

# 📊 票务识别批量总结报告

**处理时间**: 2024-05-21 10:30:00
**总票数**: 5
**成功**: 5
**失败**: 0

## 📈 票务类型分布
- 🎬 电影票: 2 张
- 🚄 火车票: 2 张
- ✈️ 机票: 1 张

## 📋 详细识别结果

### 第 1 张
**图片**: `ticket1.png`
✅ **类型**: 电影票
📅 **日期**: 2024年5月20日
⏰ **时间**: 19:30
💰 **价格**: ¥45.00
🎬 **影片**: 流浪地球3

自定义扩展

添加新的票务类型

编辑 scripts/ticket_parser.py，在 TICKET_TYPES 中添加新类型：

TICKET_TYPES = {
    'museum': ['博物馆', '展览馆', '门票', '参观'],
    # ... 其他类型
}

添加自定义提取字段

在 TicketParser 类中添加新的提取方法：

def extract_museum_info(self, text):
    """提取博物馆门票信息"""
    info = {
        'museum_name': '',
        'exhibition': ''
    }
    # 添加提取逻辑
    return info

注意事项

1. 图片质量: 识别准确率受图片清晰度影响，建议使用高清、无遮挡的票务图片
2. 语言包: 确保安装了对应语言包（简体中文 chi_sim、繁体中文 chi_tra、英文 eng）
3. 票务完整性: 图片应包含完整的票务信息，裁剪或遮挡可能导致识别失败
4. 日期格式: 支持多种日期格式，但标准格式（YYYY-MM-DD）识别效果最佳

故障排除

Tesseract 未找到

# 检查安装
which tesseract

# 设置路径
export TESSDATA_PREFIX=/usr/share/tesseract-ocr/5/tessdata

中文识别乱码

# 安装中文语言包
sudo apt-get install tesseract-ocr-chi-sim tesseract-ocr-chi-tra

# 验证语言包
tesseract --list-langs

识别准确率不高

1. 确保图片分辨率足够（建议宽度 > 800px）
2. 检查图片是否有明显的畸变或反光
3. 尝试调整预处理参数（编辑 ticket_ocr.py 中的 preprocess_image 方法）

文件结构

ticket-ocr-skill/
├── SKILL.md                 # 技能说明文档
├── config.json              # 配置文件
└── scripts/
    ├── main.py              # 主入口
    ├── ticket_ocr.py        # OCR 识别模块
    ├── ticket_parser.py     # 信息解析与总结模块
    └── ticket-ocr.sh        # Shell 快速入口

测试案例

案例1：电影票识别

python3 scripts/main.py test_movie_ticket.png

识别结果：
- 类型：电影票
- 影片：The Matrix Resurrections
- 影院：Wanda International Cinema
- 影厅：Hall 5
- 座位：Row 8 Seat 12
- 日期：2024-05-20
- 时间：19:30

案例2：火车票识别

python3 scripts/main.py test_train_ticket.png

识别结果：
- 类型：火车票
- 车次：G1234
- 出发站：北京南站
- 到达站：上海虹桥站
- 日期：2024年06月15日
- 时间：08:30

案例3：增值税发票照片识别

python3 scripts/main.py real_ticket.png

识别结果：
- 类型：增值税普通发票
- 发票号码：25127000000366096036
- 日期：2025年09月23日
- 金额：¥111.00

案例4：电子发票PDF识别（T3出行）

python3 scripts/main.py t3_invoice.pdf --pdf-dpi 400

识别结果：
- 类型：增值税电子普通发票
- 发票号码：25327000001180722842
- 开票日期：2025-06-09
- 服务商：T3出行
- 金额：¥10.53
- 税率：3%
- 税额：¥0.32
- 价税合计：¥10.85
- 购买方税号：912101123132444873

案例5：电子发票PDF识别（安安用车）

python3 scripts/main.py anan_invoice.pdf --pdf-dpi 400

识别结果：
- 类型：增值税电子普通发票
- 发票号码：25342000000162278823
- 开票日期：2025-09-18
- 服务商：安安用车
- 金额：¥6.00（含优惠）
- 税率：3%
- 税额：¥0.21
- 价税合计：¥6.00
- 购买方税号：912101123132444873

案例6：批量混合识别

python3 scripts/main.py ticket1.png invoice.pdf ticket2.jpg --pdf-dpi 300 -o result.md

批量处理结果：
- 总票数：3张
- 成功：3张
- 失败：0张
- 输出：Markdown格式报告

案例7：智能表格格式输出

python3 scripts/main.py t3_invoice.pdf anan_invoice.pdf --smartsheet

输出结果：

[
  {
    "发票号码": "25327000001180722842",
    "开票日期": "2025-06-09",
    "价税合计": 10.0,
    "发票类别": "旅客运输服务",
    "来源文件": "/workdir/t3_invoice.pdf"
  },
  {
    "发票号码": "25342000000162278823",
    "开票日期": "2025-09-18",
    "价税合计": 6.0,
    "发票类别": "旅客运输服务",
    "来源文件": "/workdir/anan_invoice.pdf"
  }
]

发票类别自动判断规则：
1. 文件名推断（优先级最高）：根据文件名中的关键词判断
- t3, didi, 滴滴, 出行, 用车 → 旅客运输服务
- 餐, food, restaurant → 餐饮服务
- 酒店, hotel, 住宿 → 住宿服务
- 会议, meeting, 展览 → 会议展览服务

2. OCR文本匹配：从识别出的文本中提取关键词

3. 默认：无法判断时返回"其他"

测试结果统计

版本更新记录

v1.2.0 (2026-05-21)

• ✨ 新增智能表格格式输出 (--smartsheet)
• ✨ 自动提取发票号码、开票日期、价税合计、发票类别
• ✨ 自动判断发票类别（旅客运输服务/餐饮服务等）
• 📚 更新使用文档和测试案例

v1.1.0 (2026-05-21)

• ✨ 新增PDF文件支持
• ✨ 支持多页PDF自动转换识别
• ✨ 新增 --pdf-dpi 参数控制转换清晰度
• ✨ 支持图片和PDF混合批量处理
• 📚 更新使用文档和测试案例

v1.0.0 (2026-05-21)

• 🎉 初始版本发布
• ✨ 支持电影票、火车票、机票、演唱会票识别
• ✨ 自动类型检测和关键字段提取
• ✨ Markdown/JSON 双格式输出
• ✨ 批量处理功能

License

MIT License - 基于 Tesseract-OCR 开源项目