Python+PaddleOCR实战：5分钟搞定发票信息自动录入Excel（附完整代码）

最新推荐文章于 2026-07-31 10:20:51 发布

原创

最新推荐文章于 2026-07-31 10:20:51 发布 · 489 阅读

告别手动录入：用Python+PaddleOCR打造你的发票智能处理流水线

还在为月底堆积如山的发票录入工作头疼吗？财务部门的同事是不是总在抱怨，眼睛都快看花了，手指敲键盘敲到麻木，还免不了偶尔出错返工？这种重复、枯燥且极易出错的手工劳动，早就该交给机器来完成了。今天，我们就来聊聊如何利用Python和PaddleOCR，搭建一个真正“开箱即用”的发票信息自动录入系统。这个方案的目标用户非常明确：就是那些每天需要处理大量纸质或电子发票，但可能对编程并不精通的财务、行政人员，或是中小企业的管理者。你不需要理解复杂的算法原理，甚至不需要修改一行代码，只需跟着步骤操作，就能在几分钟内将发票上的关键信息自动识别并规整地填入Excel表格，彻底解放双手。

整个方案的核心思路清晰而直接：识别 -> 提取 -> 写入。我们将发票文件（无论是PDF还是图片）输入系统，通过强大的OCR（光学字符识别）技术“读懂”上面的文字，然后像一位训练有素的会计一样，精准地找出“发票号码”、“开票日期”、“销售方”、“金额”等关键字段，最后将它们自动、准确地填入预设好的Excel模板中。整个过程全自动化，你只需要点击运行，然后喝杯咖啡，回来时数据就已经整整齐齐地躺在表格里了。下面，我们就从零开始，一步步构建这个高效的工具。

1. 环境搭建：五分钟搞定你的智能识别工作站

在开始任何自动化工作之前，一个稳定、兼容的运行环境是基石。对于非技术背景的朋友来说，安装配置往往是第一道坎。别担心，我们绕开那些复杂的理论，直接给出最清晰、最直接的步骤。你只需要一台能正常上网的电脑，并确保已经安装了Python（建议版本3.7或以上）。如何检查？打开你的命令行工具（Windows上是CMD或PowerShell，Mac/Linux上是终端），输入 python --version 并回车，如果能看到版本号，说明已经安装。

接下来，我们需要安装几个关键的“工具包”。请打开命令行，依次输入并执行以下命令。这些命令会从国内的镜像源下载安装包，速度会快很多。

pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
pip install paddleocr -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install openpyxl -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install PyMuPDF -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：请务必按顺序安装。paddlepaddle是百度飞桨的深度学习框架，是PaddleOCR的底层引擎；paddleocr则是我们直接调用的OCR工具库；openpyxl用于读写Excel文件；PyMuPDF（又名fitz）则用来处理PDF文件，将其转换为图片。

安装过程可能会持续几分钟，取决于你的网络速度。如果一切顺利，你会看到一系列“Successfully installed”的提示。为了验证安装是否成功，我们可以做一个简单的测试。新建一个文本文件，将后缀改为.py（例如test_install.py），用记事本或任何代码编辑器打开，输入以下三行代码：

import paddleocr
import openpyxl
import fitz
print("所有核心库导入成功！")

保存后，在命令行中切换到该文件所在目录，运行 python test_install.py。如果屏幕上打印出“所有核心库导入成功！”，恭喜你，环境配置已经圆满完成。如果出现任何“ModuleNotFoundError”之类的错误，请根据提示检查对应的库是否安装成功，并重新执行安装命令。

2. 核心武器解析：PaddleOCR为何是发票识别的首选？

在动手写代码之前，我们有必要花一点时间了解我们手中的“王牌”——PaddleOCR。市面上OCR工具不少，为什么偏偏选它来处理中文发票？这背后有几个硬核理由。

首先，对中文场景的天然友好。PaddleOCR由百度开源，其训练数据包含了海量的中文文本、表格、票据，对于中文印刷体、甚至一些手写体的识别准确率在开源模型中名列前茅。发票上那些复杂的汉字、数字混合字符串，正是它的强项。

其次，开箱即用的高精度模型。它预置了经过超大规模数据训练的通用模型，你不需要自己收集数据、训练模型，直接调用就能获得非常不错的识别效果。这对于追求快速上手的非开发者来说，简直是福音。

再者，灵活的部署方式。它既支持使用GPU加速（如果你有独立显卡，速度会飞起），也完全可以在普通的CPU上运行。我们的方案默认使用CPU，确保在任何电脑上都能顺利执行。

为了更直观地感受PaddleOCR的能力，我们可以先抛开发票，做一个简单的文本识别演示。创建一个新的Python脚本，输入以下代码：

from paddleocr import PaddleOCR

# 初始化OCR引擎，使用中文模型，在CPU上运行
ocr = PaddleOCR(use_angle_cls=True, use_gpu=False, lang='ch')

# 识别一张示例图片（你需要准备一张包含清晰文字的图片，命名为demo.jpg）
result = ocr.ocr('demo.jpg', cls=True)

# 打印识别结果
for line in result[0]:
    print(line[1][0])

运行这段代码，它会输出图片中识别出的每一行文字。你可以找一张打印了文字的A4纸拍照试试，看看准确率如何。这个简单的测试能帮你建立信心，并理解OCR的基本输出格式：它是一个列表，其中每个元素对应识别到的一行文字及其位置信息。

3. 从文件到数据：构建智能识别流水线

环境就绪，工具理解透彻，现在我们来搭建核心的自动化流水线。整个过程就像一条工厂生产线，每个环节各司其职。我们将它分解为三个清晰的阶段，并为每个阶段编写可复用的代码模块。

3.1 第一阶段：文件预处理与图像优化

发票的来源可能是扫描的PDF，也可能是手机拍摄的JPG/PNG图片。我们的系统需要能智能地处理这两种情况。对于PDF，我们需要将其每一页转换为高清图片；对于图片，我们可能需要做一些简单的预处理（如调整大小、增强对比度）来提升识别率。

下面是一个通用的文件加载函数，它能自动判断输入类型并返回可供OCR处理的图像列表：

import os
import fitz  # PyMuPDF
from PIL import Image
import cv2
import numpy as np

def load_document(file_path):
    """
    加载发票文件，支持PDF和常见图片格式。
    返回一个图像列表，每个元素是一个numpy数组格式的图像。
    """
    images = []
    file_ext = os.path.splitext(file_path)[1].lower()

    if file_ext == '.pdf':
        # 处理PDF文件
        pdf_doc = fitz.open(file_path)
        for page_num in range(len(pdf_doc)):
            page = pdf_doc.load_page(page_num)
            # 提高渲染分辨率，确保文字清晰
            zoom_x = 2.0  # 水平缩放因子
            zoom_y = 2.0  # 垂直缩放因子
            mat = fitz.Matrix(zoom_x, zoom_y)
            pix = page.get_pixmap(matrix=mat, alpha=False)
            # 将pixmap转换为PIL Image，再转numpy数组
            img_data = np.fro

标签