Python自动化发票识别核心是OCR提取+结构化处理，关键在识别准确率与字段自动对齐：选高精度中文OCR工具（如百度/腾讯API或PaddleOCR），预处理图片（纠偏、降噪、增强），结合坐标、关键词和规则定位字段，正则校验数值，交叉验证金额与校验码，最终导出为Excel/CSV/数据库/PDF。
Python做自动化发票识别，核心是用OCR技术提取票据上的文字信息，再通过规则或模型结构化处理。关键不在“能不能识别”，而在“识别得准不准、字段能不能自动对齐”。下面分几步说清楚实际落地要做的事儿。
选对OCR工具：优先考虑高精度+中文优化的API
别自己从零训练OCR模型——成本高、效果差。直接用成熟服务更稳：
- 百度OCR（文字识别）：对增值税专用发票有专门接口，能直接返回发票代码、号码、金额、开票日期等结构化字段
- 腾讯OCR：支持多类票据模板，返回JSON含位置坐标和置信度，适合后续做字段校验
- PaddleOCR（开源）：本地部署、可微调，适合隐私敏感场景；但需自己写逻辑匹配发票字段位置
建议新手先用百度/腾讯的发票识别API跑通流程，再根据需求切到PaddleOCR。
预处理图片：提升OCR准确率的实操细节
拍歪、反光、模糊的发票图，OCR很容易漏字或错字。这几步预处理几乎必做：
立即学习“Python免费学习笔记（深入）”；
- 用OpenCV或Pillow做灰度化 + 高斯模糊降噪
- 检测图像倾斜角，用仿射变换自动纠偏（尤其扫描件常有1–3°偏斜）
- 对背光或阴影区域做局部直方图均衡化（clahe），避免金额栏变黑块
- 如果是手机拍照，加一步边缘检测+四点透视裁剪，只保留发票本体区域
字段提取与结构化：不能只靠OCR返回的文字顺序
OCR返回的是按行/块排列的文本列表，但发票字段没有固定顺序（比如“销售方名称”可能在左上或右下）。得结合位置+关键词+业务规则来定位：
- 用返回的文本坐标（x,y,width,height）划分逻辑区域（如右上角20%区域找“发票代码”）
- 写关键词匹配规则：“￥”后面紧跟数字 → 提取为“价税合计”；“税率”后跟“%” → 提取前一个数字为税率值
- 对关键数值（金额、税额、数量）加正则校验：r'¥?\d{1,8}(\.\d{2})?'，过滤掉OCR误识的“O”当“0”、“l”当“1”
- 用发票代码12位+发票号码8位的固定格式做双重校验，排除识别错误项
结果校验与导出：闭环才算真正自动化
识别完不校验，等于白干。常见做法：
- 金额类字段做交叉验证：金额+税额 ≈ 价税合计（允许±0.01误差）
- 发票代码校验码用国税标准算法重算一次，失败则标为“待人工复核”
- 结果统一转成字典，存为Excel（用openpyxl）、CSV或直接写入数据库（SQLAlchemy）
- 把原始图、识别框图、结构化数据打包成PDF报告，方便财务回溯
基本上就这些。不复杂但容易忽略细节——比如没做纠偏导致金额识别全错，或者没校验发票代码导致后续入账失败。动手时，先拿5张样例发票跑通端到端流程，再批量扩展。
