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：
ImageMagick
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。