一、项目背景与需求分析

增值税发票是企业财务核算的重要凭证，传统处理方式依赖人工录入，存在效率低、易出错等问题。随着OCR（光学字符识别）技术的发展，自动化识别发票信息成为可能。本项目旨在开发一个Python工具，实现以下功能：

1. 批量识别：支持多张发票图片的自动识别；
2. 信息提取：精准提取发票代码、号码、日期、金额等关键字段；
3. 表格导出：将识别结果导出为Excel文件，便于后续处理；
4. 便捷部署：打包成EXE文件，无需安装Python环境即可运行。

1.1 适用场景

• 财务部门：快速处理大量发票，减少人工录入时间；
• 审计机构：自动化核对发票信息，提高审计效率；
• 中小企业：低成本实现发票管理数字化。

二、技术选型与工具准备

2.1 核心库与框架

• OCR识别：使用PaddleOCR或EasyOCR，支持中文识别，准确率高；
• 图像处理：OpenCV用于发票图片的预处理（如二值化、去噪）；
• 表格导出：pandas和openpyxl生成Excel文件；
• 打包工具：PyInstaller将Python脚本打包为EXE。

2.2 环境配置

1. 安装Python 3.8+；
2. 安装依赖库：

   pip install paddleocr opencv-python pandas openpyxl pyinstaller

三、核心功能实现

3.1 发票图片预处理

发票图片可能存在倾斜、模糊等问题，需进行预处理以提高识别率：

import cv2
import numpy as np
def preprocess_image(image_path):
    # 读取图片
    img = cv2.imread(image_path)
    # 转为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 二值化
    _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    # 去噪
    denoised = cv2.fastNlMeansDenoising(binary, None, 10, 7, 21)
    return denoised

3.2 OCR识别与信息提取

使用PaddleOCR识别发票关键字段：

from paddleocr import PaddleOCR
def extract_invoice_info(image_path):
    ocr = PaddleOCR(use_angle_cls=True, lang="ch")
    result = ocr.ocr(image_path, cls=True)
    # 解析识别结果（示例：提取发票号码）
    invoice_number = None
    for line in result:
        for word_info in line:
            text = word_info[1][0]
            if "发票号码" in text or "NO." in text:
                # 假设号码在下一行
                next_line = result[result.index(line)+1] if result.index(line)+1 < len(result) else None
                if next_line:
                    invoice_number = next_line[0][1][0]
                    break
    return invoice_number  # 实际需扩展其他字段

3.3 批量处理与Excel导出

遍历文件夹中的发票图片，识别后存入DataFrame并导出：

import os
import pandas as pd
def batch_process_invoices(input_folder, output_excel):
    data = []
    for filename in os.listdir(input_folder):
        if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
            image_path = os.path.join(input_folder, filename)
            processed_img = preprocess_image(image_path)
            # 保存预处理后的图片（可选）
            cv2.imwrite(f"processed_{filename}", processed_img)
            info = extract_invoice_info(image_path)  # 需完善字段提取
            data.append({
                "文件名": filename,
                "发票号码": info.get("invoice_number", ""),
                # 其他字段...
            })
    df = pd.DataFrame(data)
    df.to_excel(output_excel, index=False)
    print(f"结果已导出至: {output_excel}")

四、打包为EXE文件

使用PyInstaller将脚本打包为独立EXE：

1. 创建main.py作为入口文件；
2. 编写打包命令：

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

   • --onefile：生成单个EXE文件；
   • --windowed：隐藏命令行窗口；
   • --icon：自定义图标。

五、优化与扩展建议

5.1 识别准确率提升

• 模板匹配：针对固定格式发票，可结合模板定位关键字段；
• 深度学习：使用Faster R-CNN等模型检测发票区域，再送入OCR。

5.2 功能扩展

• 多格式支持：增加PDF发票识别（需pdf2image转换）；
• 数据库存储：将结果存入SQLite或MySQL；
• GUI界面：使用PyQt或Tkinter开发图形界面。

5.3 部署注意事项

• 依赖检查：打包前确保所有依赖库版本兼容；
• 文件路径：使用相对路径或配置文件管理输入/输出路径；
• 错误处理：添加日志记录和异常捕获。

六、完整代码示例

# main.py
import os
import cv2
import pandas as pd
from paddleocr import PaddleOCR
def preprocess_image(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)
    return binary
def extract_invoice_info(image_path):
    ocr = PaddleOCR(use_angle_cls=True, lang="ch")
    result = ocr.ocr(image_path, cls=True)
    # 简化示例：实际需完整解析
    return {"发票号码": "示例号码"}  
def batch_process(input_folder, output_excel):
    data = []
    for filename in os.listdir(input_folder):
        if filename.lower().endswith(('.png', '.jpg')):
            image_path = os.path.join(input_folder, filename)
            info = extract_invoice_info(image_path)
            data.append({
                "文件名": filename,
                "发票号码": info["发票号码"]
            })
    pd.DataFrame(data).to_excel(output_excel, index=False)
if __name__ == "__main__":
    input_dir = "invoices"  # 发票图片文件夹
    output_file = "results.xlsx"
    batch_process(input_dir, output_file)

七、总结与展望

本项目通过Python实现了增值税发票的批量识别与表格导出，并打包为EXE文件，显著提升了财务处理效率。未来可进一步优化识别算法、增加多语言支持，或集成至企业ERP系统中。对于非技术人员，直接使用EXE文件即可完成复杂操作，降低了技术门槛。