财务福音。用Python+OCR人工智能识别发票自动存入Excel表格保姆级教程

前言

对于所有公司财务而言，用肉眼看发票，再将信息手动录入excel绝对是人间十大酷刑之一，对于这种流程清晰，机械重复的工作场景，最适合用python自动化办公技术+人工智能技术来解决。

场景描述
 

我去财务办公室实地考察了，发票都长这个样。

财务小姐姐需要填报的字段为：发票号、税额、销方名称。

那么需求就非常明确了，我们只需要把文件夹里面的一堆发票照片的发票号、税额、销方名称三项用OCR技术识别出来转化为字符串，填入excel表格中即可。

配置环境

我没有想到做完本次项目发现最大的难点竟然是配置环境。

pip安装以下库：

from PIL import Image as PIfrom cnocr import CnOcrimport openpyxlimport pyocrimport ioimport os

在安装cnocr时会报错，原因是没有安装Visual C++ 14.0。

下载地址：

https://visualstudio.microsoft.com/zh-hans/thank-you-downloading-visual-studio/?sku=BuildTools&rel=16

pip install cnocr

顺利安装cnocr。

cnocr 主要针对的是排版简单的印刷体文字图片，如截图图片，扫描件等。目前内置的文字检测和分行模块无法处理复杂的文字排版定位。如果要用于场景文字图片的识别，需要结合其他的场景文字检测引擎使用，例如文字检测引擎 cnstd 。

安装好上面的库以后，还需要安装额外的exe文件，否则会出现以下错误。

需要安装的exe文件是：

1.  ImageMagick

2.  tesseract-OCR

ImageMagick包括许多用于处理图像的命令行实用程序。

ImageMagick的下载地址是：

https://docs.wand-py.org/en/latest/guide/install.html#install-imagemagick-on-windows

Tesseract是一款由HP实验室开发由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎，与Microsoft Office Document Imaging（MODI）相比，我们可以不断地训练库，使图像转换文本的能力不断增强。如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。

tesseract-OCR的下载地址是：

https://digi.bib.uni-mannheim.de/tesseract/

安装后要配置环境变量：

源代码

1. 读取发票

ocr = CnOcr()tool = pyocr.get_available_tools()[0]
img_url = "pic/fp01.jpg"with open(img_url, 'rb') as f:    a = f.read()new_img = PI.open(io.BytesIO(a))new_img.show()

2. 提取发票号码

def text1(new_img):
    left = 1530    top = 80    right = 1830    bottom = 160        image_text1 = new_img.crop((left, top, right, bottom))
    #image_text1.show()    txt1 = tool.image_to_string(image_text1)    #print(txt1)    return txt1    # print(text1(new_img))

left、top、right、bottom就是图片的四个顶点坐标，数值可以经过多次修正而定，大家根据自己的发票内容去定位即可，如果想兼容性强一些，可以让框子尽可能大，以保证每一张发票都能准确框住该位置。这也要求发票的各照片不能差距太大，尽量按统一标准拍摄，以保证各字段相对位置变化不会太大，否则一旦框不住需要的字段，就无法识别。如果所有发票都是格式统一的电子发票则不存在此问题。

print(pyocr.get_available_tools()[0])

可以看出pyocr就是直接调用的tesseract。接着利用ocr把图片变成字符串。

此时我们已经得到了发票号码字段。

3.  提取税额

​​​​​​​

def text2(new_img):        left = 1860    top = 800    right = 2000    bottom = 850
    image_text2 = new_img.crop((left, top, right, bottom))    # image_text2.show()    txt2 = tool.image_to_string(image_text2)    # print(txt2)    return txt2
# print(text2(new_img))

过程和提取发票号码原理一模一样，只是换了一个位置。

此时我们已经得到了税额字段。

3. 提取销方名称

​​​​​​​

def text3(new_img):    left = 500    top = 950    right = 1100    bottom = 1000
    image_obj3 = new_img.crop((left, top, right, bottom))
    # image_obj3.show()    image_obj3.save("tmp.jpg")    res = ocr.ocr("tmp.jpg")    # print(res[0][0])    return "".join(res[0][0])
# print(text3(new_img))

这里的名称是中文，我们不能再像提取数字那样操作，需要使用到cnocr去将图片中的印刷体简体中文提取出来。

此时我们已经得到了销方名称字段。

4. 遍历及输出

​​​​​​​

def all_rec():
    outwb = openpyxl.Workbook()  # 打开一个将写的文件    outws = outwb.create_sheet(index=0)  # 在将写的文件创建sheet
    outws.cell(row=1, column=1, value="发票号码")    outws.cell(row=1, column=2, value="税额")    outws.cell(row=1, column=3, value="销方名称")
    count = 2    filePath = 'pic'    pic_name = []    for i,j,name in os.walk(filePath):        pic_name = name    for i in pic_name:        img_url = filePath+"/"+i        with open(img_url, 'rb') as f:            a = f.read()        new_img = PI.open(io.BytesIO(a))        outws.cell(row=count, column=1, value=text1(new_img))        outws.cell(row=count, column=2, value=text2(new_img))        outws.cell(row=count, column=3, value=text3(new_img))
        count = count + 1    outwb.save("发票汇总-应卓君.xls")  # 保存结果
all_rec()

我偷懒就只在文件夹里放了3张发票，并且都是复制的第1张发票。

最终输出为一个名为“发票汇总-应卓君.xls”的文件。

任务基本完成。

总结

在众多的测试中我发现，照片质量高于或等于本例中的发票均可准确识别，如果拍照质量过差，会出现无法识别、识别错误（如0识别成9）。所以在真实的应用当中，一定要注意照片的拍摄统一和拍摄质量。

如果说你认为统一的拍照会影响你的用户体验，你就喜欢拍得歪歪扭扭、横七竖八，也不是不能够解决，此时需要将发票整体进行识别，再利用re正则表达式或其他相应的逻辑去提取需要的信息。

对于模糊照片无法正确识别的问题，也可以通过用模糊数字和文字对模型进行加强训练，来提升模型的准确度。就像老师看你写的字，你写得太丑了老师完全不认得，但是如果老师看你的字看得多了，你写得再歪歪扭扭，也就见怪不怪了。

如果发票都是如下的电子发票，则上述拍照统一问题和质量问题就都不存在了，程序适用性和识别率能够轻松高达100%。

如果你需要完整的程序代码，请点击这里获取。如果你有办公自动化或办公智能化的需求，请后台与我联系。觉得有用请点赞收藏转发一键三连，我们下期干货文章再见。