证件批量OCR表格导出

解决什么问题

批量处理证件时，手动录入信息不仅耗时，还容易出现格式混乱——数字被Excel自动转换、日期格式不统一、多页证件或正反面图片需要合并记录。本技能针对图片、PDF、压缩包等不同输入形式，自动完成文字识别与结构化整理，最终输出格式规范的Excel表格，所有单元格以文本形式存储，避免数据类型错乱。

核心能力与工作流程

• 多类型输入支持：可处理单张图片（.jpg/.png等）、单个PDF、包含图片/PDF的压缩包（.zip/.rar/.7z），甚至直接指定文件夹路径。输入文件会自动保存至input/子目录统一管理。
• 解压与PDF处理：压缩包通过extract_archives.py提取文件，其中.zip用Python内置模块解压，.rar/.7z依赖系统安装unrar或7z工具。PDF文件则由pdf_to_images.py按200 DPI（可调整至300）转换为PNG图片，确保后续识别清晰度。
• 视觉识别与字段提取：通过多模态Read工具逐张读取图片，先判断证件类型（参考references/certificate_types.md中的字段模板），再提取所有可见文字（包括印章、手写内容），字段值保留原文格式，模糊内容标注“(模糊)”。
• 结构化数据与Excel生成：识别结果整理为certificates.json，再由generate_excel.py生成包含三类工作表的Excel：汇总表（证件概览）、按类型分类表（各证件详细字段）、全部识别文本表（原始文字记录），所有单元格均为文本格式。

适用边界与注意事项

• 依赖Python环境，需提前配置好执行器路径；处理.rar/.7z压缩包时，若系统未安装解压工具，需用户手动解压后提供路径。
• 图片质量较差时（模糊、反光、倾斜），仅能尽力识别并标注问题，无法保证100%准确；多页PDF或身份证正反面图片会自动合并为一条记录。
• 仅支持常见图片格式、PDF和主流压缩包，不适用于加密压缩包（需用户提供密码）或非证件类图片的文字识别。