本帖最后由 马马超超 于 2026-5-20 14:56 编辑
成品下载地址：
下载链接.txt
(128 Bytes, 下载次数: 39)
帮朋友做一个发票内容识别的工具，最初选PaddleOCR，又使用EasyOCR，可能是我电脑性能不行，识别很慢，准确率还低的可怜！
后来琢磨了一段时间，感觉发票识别只不过是识别图片-->提取文字内容-->格式化文字内容-->输出表格！
开搞开搞：第一步，使用之前大神提取出的WX的ocr插件，把文字全部提取出来；第二步，通过re正则匹配，把所有想要的内容提取出来；第三步，使用pd把内容导出表格，顺道加了一个“税前+税额=总税值”的校验计算，速度很快，普通电脑几秒处理完几十张发票！
有一条出错信息：是因为发票为2页，第2页没有内容，校验失败，完全符合预期！
![]()
上源码：[Python] 纯文本查看 复制代码 import re
import sys
import pandas as pd
import wcocr
#本地 wcocr.pyd文件
import os
wechat_path = os.getcwd() + r"\wxocr2"
wechatocr3_path = os.getcwd() + r"\wxocr2\WeChatOCR.exe"
# ==================== 核心：自动格式化发票 ====================
def format_invoice(ocr_result):
# 过滤低置信度噪点文本
valid_texts = []
for item in ocr_result:
txt = item.get("text", "").strip()
score = item.get("rate", 0.0)
if txt and score >= 0.5:
valid_texts.append(txt)
full_str = " ".join(valid_texts)
res = {
"发票号码": "",
"不含税金额": "",
"税额": "",
"价税合计": "",
"税率": "",
"销售方信息": "",
"开票日期": "",
"发票类型": ""
}
# 1. 发票类型识别
if "增值税专" in full_str and "用发票" in full_str:
res["发票类型"] = "增值税专用发票"
elif "电子发票" in full_str:
res["发票类型"] = "增值税电子普通发票"
elif "普通发票" in full_str:
res["发票类型"] = "增值税普通发票"
# 2. 发票号码
num_reg = re.search(r"发票号码\s*[:：]\s*(\d+)", full_str)
if num_reg:
res["发票号码"] = num_reg.group(1)
# 3. 开票日期
date_reg = re.search(r"开票日期\s*[:：]\s*(\d{4}年\d{1,2}月\d{1,2}日)", full_str)
if date_reg:
res["开票日期"] = date_reg.group(1).replace("年", "-").replace("月", "-").replace("日", "")
# 4. 税率 通用匹配 0%-17%
rate_reg = re.search(r"(\d{1,2}\.?\d?)%", full_str)
if rate_reg:
res["税率"] = rate_reg.group(1) + "%"
# 5. 提取所有金额数字（保留两位小数）必须带 ￥ 或者 ¥
money_pat = re.compile(r"[￥¥]\s*(\d+\.\d{2})")
all_money = money_pat.findall(full_str)
# 去重
money_list = list(set(all_money))
#print(money_list)
# 转浮点排序：小=税额 中=不含税 大=价税合计
try:
money_sort = sorted([float(m) for m in money_list])
if len(money_sort) >= 3:
res["税额"] = f"{money_sort[0]:.2f}"
res["不含税金额"] = f"{money_sort[1]:.2f}"
res["价税合计"] = f"{money_sort[2]:.2f}"
elif len(money_sort) == 2:
res["不含税金额"] = f"{money_sort[0]:.2f}"
res["价税合计"] = f"{money_sort[1]:.2f}"
except:
pass
#金额校准
try:
if float(res["税额"])+float(res["不含税金额"])==float(res["价税合计"]):
res["金额校准"]="正确"
else:
res["金额校准"] = "出错"
except:
res["金额校准"] = "出错"
# 6. 销售方信息整合
#print(valid_texts)
# #seller_keys = ["销售方", "纳税人识别号", "统一社会信用代码", "销售方地址", "开户行", "银行账号"]
seller_keys = ["名称"]
seller_data = []
for text in valid_texts:
if any(k in text for k in seller_keys):
if len(text)>6:#防止识别到关键字，但是不是公司名
seller_data.append(text)
# 6. 销售方信息：只取 名称: 开头的销售方名称
# 规则：两个名称，靠后出现的为销售方
# 第二个名称为销售方
#print(seller_data)
if len(seller_data) >= 2:
res["销售方信息"] = seller_data[1][3:].strip()
elif len(seller_data) == 1:
res["销售方信息"] = seller_data[0][3:].strip()
#res["销售方信息"] = " | ".join(seller_data)
return res
def get_all_jpg_files(folder_path):
"""
遍历指定文件夹，返回所有 .jpg 文件的完整路径列表
:param folder_path: 文件夹路径（如 "C:/发票/2025"）
:return: 所有 jpg 绝对路径列表
"""
jpg_files = []
# 遍历文件夹
for filename in os.listdir(folder_path):
# 只筛选 .jpg 文件（不区分大小写，也支持 .JPG）
if filename.lower().endswith(".jpg"):
full_path = os.path.join(folder_path, filename)
jpg_files.append(full_path)
return jpg_files
if __name__ == '__main__':
#OUTPUT_EXCEL = "发票信息汇总表.xlsx" # 输出表格名
#if len(sys.argv) < 2:
while 1:
print("使用方法：")
print(" 输入发票文件夹路径即可")
print(" 当前只支持后缀为.jpg格式发票图片")
print("示例：")
print(r" D:\发票\2026")
# 命令行参数：只需要文件夹
img_folder = input("发票路径：")
if not os.path.isdir(img_folder):
print(f"错误：文件夹不存在 → {img_folder}")
continue
# 开始处理
print("开始批量处理发票...")
exe_dir = os.path.dirname(os.path.abspath(sys.argv[0]))
OUTPUT_EXCEL = os.path.join(exe_dir, "发票信息汇总表.xlsx")
#print(os.getcwd())
tried_v3 = False
if os.path.isfile(wechatocr3_path) and os.path.isdir(wechat_path):
tried_v3 = True
wcocr.init(wechatocr3_path, wechat_path)
else:
print("找不到微信3.x配置，或者不正确")
continue
# 1. 设置你的文件夹路径
#target_folder = r"D:\python\Python+EasyOCR\png" # 改成你自己的路径
if tried_v3:
# 2. 获取所有 jpg
jpg_list = get_all_jpg_files(img_folder)
# 3. 打印结果
print(f"找到 {len(jpg_list)} 张 jpg 发票：")
if len(jpg_list)>0:
all_data = []
for path in jpg_list:
print(path)
print("+"*30)
#jpgfile = input("输入图片文件名：")
result = wcocr.ocr(path)
#print(result)
#break
# 2. 自动格式化
invoice = format_invoice(result['ocr_response'])
# 3. 输出漂亮格式
invoice["图片路径"] = path # 加入文件名方便核对
all_data.append(invoice)
# print("\n" + "=" * 50)
# print(" 发票识别结果（格式化完成）")
# print("=" * 50)
# for key, value in invoice.items():
# print(f"{key}：{value}")
# print("=" * 50)
# 3. Pandas 输出Excel
df = pd.DataFrame(all_data)
df.to_excel(OUTPUT_EXCEL, index=False)
print(f"\n✅ 提取完成！已保存到：{OUTPUT_EXCEL}")
| 
发表于 2026-5-20 18:24
分享到朋友圈
