Python实现增值税发票批量识别和导出到表格（已打包成exe）

一、项目背景与需求分析

在财务工作中，增值税发票的批量识别与数据整理是高频且耗时的任务。传统方式依赖人工录入，存在效率低、易出错等问题。通过自动化技术实现发票批量识别与数据导出，可显著提升工作效率。本文将介绍如何使用Python开发一个完整的解决方案，包含OCR识别、信息解析、Excel导出及EXE打包，使非技术人员也能轻松使用。

二、技术选型与工具准备

1. OCR引擎选择：

   • Tesseract OCR：开源免费，支持中文识别，需训练发票专用模型
   • EasyOCR：基于深度学习，内置中文模型，识别准确率高
   • 百度OCR/阿里OCR：商业API，识别率高但需付费
     本文选用EasyOCR，因其平衡了识别准确率与使用便捷性。

2. 依赖库安装：

   pip install easyocr pandas openpyxl pyinstaller

3. 开发环境：

   • Python 3.8+
   • Windows/Linux/macOS（打包后仅EXE需Windows）

三、核心功能实现

1. 发票图像预处理

import cv2
import numpy as np
def preprocess_invoice(image_path):
    # 读取图像
    img = cv2.imread(image_path)
    # 转换为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 二值化处理
    _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    # 降噪
    denoised = cv2.fastNlMeansDenoising(binary, None, 10, 7, 21)
    return denoised

预处理步骤提升OCR识别率，特别针对扫描件或低质量图片。

2. 发票信息识别与解析

import easyocr
import re
def extract_invoice_data(image_path):
    # 初始化EasyOCR阅读器（中文+数字）
    reader = easyocr.Reader(['ch_sim', 'en'])
    # 识别文本
    results = reader.readtext(image_path)
    # 初始化数据字典
    invoice_data = {
        '发票号码': '',
        '开票日期': '',
        '购买方名称': '',
        '销售方名称': '',
        '金额': '',
        '税额': '',
        '价税合计': ''
    }
    # 定义关键词匹配模式
    patterns = {
        '发票号码': r'发票号码[:：]?\s*(\S+)',
        '开票日期': r'开票日期[:：]?\s*(\d{4}[-/]\d{1,2}[-/]\d{1,2})',
        '购买方名称': r'购买方名称[:：]?\s*([^\n]+)',
        '销售方名称': r'销售方名称[:：]?\s*([^\n]+)',
        '金额': r'金额[:：]?\s*(\d+\.\d{2})',
        '税额': r'税额[:：]?\s*(\d+\.\d{2})',
        '价税合计': r'价税合计(大写)?[:：]?\s*(\d+\.\d{2})'
    }
    # 提取识别结果中的文本
    texts = [result[1] for result in results]
    combined_text = '\n'.join(texts)
    # 填充数据字典
    for field, pattern in patterns.items():
        match = re.search(pattern, combined_text)
        if match:
            invoice_data[field] = match.group(1).strip()
    return invoice_data

通过关键词匹配与正则表达式，从OCR结果中提取结构化数据。

3. 批量处理与Excel导出

import pandas as pd
import os
def batch_process_invoices(input_folder, output_excel):
    # 获取输入文件夹中所有图片
    image_files = [f for f in os.listdir(input_folder) 
                  if f.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp'))]
    all_data = []
    for image_file in image_files:
        image_path = os.path.join(input_folder, image_file)
        # 预处理
        processed_img = preprocess_invoice(image_path)
        # 临时保存处理后的图像（EasyOCR需要图像路径）
        temp_path = 'temp_processed.png'
        cv2.imwrite(temp_path, processed_img)
        # 识别数据
        data = extract_invoice_data(temp_path)
        data['文件名'] = image_file
        all_data.append(data)
        # 删除临时文件
        os.remove(temp_path)
    # 创建DataFrame
    df = pd.DataFrame(all_data)
    # 导出到Excel
    df.to_excel(output_excel, index=False, engine='openpyxl')
    print(f"成功导出到 {output_excel}")

4. EXE打包（使用PyInstaller）

创建main.py包含上述功能，然后执行：

pyinstaller --onefile --windowed --icon=invoice.ico main.py

参数说明：

• --onefile：生成单个EXE文件
• --windowed：不显示控制台窗口
• --icon：设置程序图标

四、优化与改进方向

1. 识别准确率提升：

   • 收集真实发票样本，微调EasyOCR模型
   • 添加人工校正界面，允许用户修正错误

2. 功能扩展：

   • 支持PDF发票识别
   • 添加发票分类功能（如按月份、客户）
   • 实现数据自动校验（如金额合计计算）

3. 性能优化：

   • 多线程处理批量发票
   • 添加进度显示
   • 优化内存使用

五、实际应用与部署

1. 企业部署方案：

   • 内部网络部署，限制访问权限
   • 集成到现有财务系统
   • 定期自动执行任务

2. 用户使用指南：

   • 准备发票图片文件夹
   • 运行EXE程序
   • 选择输入文件夹和输出文件
   • 查看结果并验证

3. 错误处理机制：

   • 图像无法读取时提示
   • 识别失败时记录日志
   • 提供详细的错误信息

六、完整代码示例

# main.py 完整示例
import easyocr
import cv2
import pandas as pd
import os
import re
from datetime import datetime
class InvoiceRecognizer:
    def __init__(self):
        self.reader = easyocr.Reader(['ch_sim', 'en'])
    def preprocess(self, image_path):
        img = cv2.imread(image_path)
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
        denoised = cv2.fastNlMeansDenoising(binary, None, 10, 7, 21)
        return denoised
    def extract_data(self, image_path):
        processed = self.preprocess(image_path)
        temp_path = 'temp_processed.png'
        cv2.imwrite(temp_path, processed)
        results = self.reader.readtext(temp_path)
        texts = [result[1] for result in results]
        combined = '\n'.join(texts)
        patterns = {
            '发票号码': r'发票号码[:：]?\s*(\S+)',
            '开票日期': r'开票日期[:：]?\s*(\d{4}[-/]\d{1,2}[-/]\d{1,2})',
            '购买方名称': r'购买方名称[:：]?\s*([^\n]+)',
            '销售方名称': r'销售方名称[:：]?\s*([^\n]+)',
            '金额': r'金额[:：]?\s*(\d+\.\d{2})',
            '税额': r'税额[:：]?\s*(\d+\.\d{2})',
            '价税合计': r'价税合计(大写)?[:：]?\s*(\d+\.\d{2})'
        }
        data = {field: '' for field in patterns}
        data['文件名'] = os.path.basename(image_path)
        for field, pattern in patterns.items():
            match = re.search(pattern, combined)
            if match:
                data[field] = match.group(1).strip()
        os.remove(temp_path)
        return data
def main():
    input_dir = input("请输入发票图片文件夹路径: ").strip('"')
    output_file = input("请输入输出Excel文件路径: ").strip('"') or f"发票数据_{datetime.now().strftime('%Y%m%d')}.xlsx"
    recognizer = InvoiceRecognizer()
    all_data = []
    for img_file in os.listdir(input_dir):
        if img_file.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp')):
            img_path = os.path.join(input_dir, img_file)
            try:
                data = recognizer.extract_data(img_path)
                all_data.append(data)
            except Exception as e:
                print(f"处理 {img_file} 时出错: {str(e)}")
    if all_data:
        df = pd.DataFrame(all_data)
        df.to_excel(output_file, index=False, engine='openpyxl')
        print(f"成功导出 {len(all_data)} 条发票数据到 {output_file}")
    else:
        print("未找到可处理的发票图片")
if __name__ == "__main__":
    main()

七、总结与展望

本文实现的Python解决方案，通过OCR技术、数据处理和EXE打包，提供了完整的增值税发票批量识别与导出功能。相比传统方式，该方案具有以下优势：

1. 自动化处理，大幅提升效率
2. 结构化数据输出，便于后续分析
3. 独立EXE文件，无需安装Python环境
4. 开源免费，可根据需求定制

未来可进一步集成机器学习模型，提升复杂场景下的识别准确率，或开发Web版本实现远程使用。此工具特别适合中小企业财务部门，能有效降低人力成本，减少人为错误。