RapidOCR 发票票据识别

发票处理的典型痛点

企业财务、报销审核等场景中，发票信息录入常面临几个具体问题：从合同Word文档里批量提取发票图片费时，OCR识别常丢首位数字导致金额错误，同一张发票在文档中多次插入时需重复统计，手动核对金额、税额与价税合计的关系易漏。

技能的核心逻辑与工作流

RapidOCR 发票票据识别围绕这些问题设计，核心是基于rapidocr-onnxruntime引擎的批量处理能力：

• 从Word中提图并映射关系：scripts/extract_docx_images.py会解压.docx文件，提取word/media/下的图片，解析document.xml与document.xml.rels，按段落顺序建立“客户名称-发票图片”的对应关系；遇到同一图片多次引用（同一rId出现多个blip）时，不去重而是按出现次数计数，方便后续金额累计。
• 批量OCR与关键字段提取：scripts/ocr_invoices.py支持单张或目录批量处理，通过预设规则定位“价税合计（小写）”行：优先找含“价税合计”和“小写”的行，匹配（小写）¥XXX,XXX.XX格式；备选匹配¥后的千分位数字，或取所有¥金额的最大值。同时输出发票号码、开票日期、销售方/购买方等结构化JSON数据。
• 金额交叉验证：scripts/verify_amounts.py通过两个规则校验：不含税金额 + 税额 = 价税合计的等式验证，以及“大写金额反推数字金额”的比对，自动标记丢字、识别错误的结果，提示人工复核。

适用边界与注意点

• 仅支持电子发票（数电票PNG）、增值税专用/普通发票扫描件（JPEG/PNG），暂不覆盖手写发票或非中国区票据；
• 纯CPU运行，依赖Python 3.10+环境，无需GPU，但首次加载约15MB的模型；
• 当发票图片嵌入Word时，需确保文档未被加密，否则无法解压提取word/media/内容；
• 电子发票的“价税合计”行多在图片高度52%-66%区域，纸质扫描件则在70%-82%，批量处理时可结合--scale参数放大小字提升识别率。