如何制作一个发票截取软件

Question

通过税务局批量下载的发票，并不是全部有用的，想要的那部分发票如何批量下载是一个难题，最好是能根据要求给发票图片编号

Answer 1

上午好☀️☀️☀️️
本答案参考通义千问

制作一个发票截取软件，可以通过 Python 实现，主要功能包括：

• 从税务局下载的发票图片中识别并提取有用信息（如发票代码、号码、金额等）
• 对发票图片进行编号和分类
• 批量处理多张发票图像

下面是一个完整的解决方案，包含详细步骤和示例代码。

---

✅ 一、所需工具与库

1. OpenCV：用于图像处理（裁剪、灰度化、二值化等）
2. Pytesseract：OCR文字识别（识别发票上的文字）
3. Pillow (PIL)：图像处理和保存
4. os & glob：文件操作和批量读取
5. re (正则表达式)：提取发票关键信息（如发票代码、号码）

pip install opencv-python pytesseract pillow

⚠️ 注意：安装 Pytesseract 需要先安装 Tesseract OCR 工具。

• Windows: Tesseract 安装包
• Linux: sudo apt-get install tesseract-ocr
• macOS: brew install tesseract

---

✅ 二、核心功能说明

1. 图像预处理（增强识别效果）

• 转为灰度图
• 二值化处理
• 去噪
• 裁剪区域（仅保留发票内容）

2. 使用 OCR 提取发票信息

• 识别发票代码、号码、金额等字段
• 使用正则表达式匹配关键字段

3. 发票编号与分类

• 按照识别到的发票代码 + 号码命名文件
• 保存为指定格式（如：发票_代码_号码.jpg）

---

✅ 三、完整实现步骤

步骤 1：导入必要的库

import cv2
import numpy as np
import pytesseract
from PIL import Image
import os
import re

---

步骤 2：图像预处理函数

def preprocess_image(image_path):
    # 读取图像
    img = cv2.imread(image_path)
    # 转为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 二值化处理
    _, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
    # 去噪
    kernel = np.ones((3, 3), np.uint8)
    opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel, iterations=2)
    return opening

---

步骤 3：OCR 识别发票信息

def extract_invoice_info(image_path):
    # 预处理
    processed_img = preprocess_image(image_path)
    # 保存临时图像
    temp_path = "temp.jpg"
    cv2.imwrite(temp_path, processed_img)

    # 使用 pytesseract 进行 OCR 识别
    text = pytesseract.image_to_string(Image.open(temp_path), lang='chi_sim')

    # 正则表达式提取发票信息
    invoice_code_match = re.search(r'发票代码：(\d+)', text)
    invoice_number_match = re.search(r'发票号码：(\d+)', text)
    total_amount_match = re.search(r'价税合计：([\d,.]+)', text)

    invoice_code = invoice_code_match.group(1) if invoice_code_match else "未知"
    invoice_number = invoice_number_match.group(1) if invoice_number_match else "未知"
    total_amount = total_amount_match.group(1) if total_amount_match else "未知"

    return {
        "code": invoice_code,
        "number": invoice_number,
        "amount": total_amount
    }

---

步骤 4：批量处理发票图片

def batch_process_invoices(input_folder, output_folder):
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)

    for filename in os.listdir(input_folder):
        if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
            image_path = os.path.join(input_folder, filename)
            info = extract_invoice_info(image_path)

            # 构建新文件名
            new_filename = f"发票_{info['code']}_{info['number']}.jpg"
            new_path = os.path.join(output_folder, new_filename)

            # 复制原图到输出目录
            os.rename(image_path, new_path)
            print(f"已处理: {filename} -> {new_filename}")

---

步骤 5：运行程序

if __name__ == "__main__":
    input_folder = "invoices"  # 输入发票图片文件夹
    output_folder = "processed_invoices"  # 输出文件夹

    batch_process_invoices(input_folder, output_folder)

---

✅ 四、优化建议

| 优化点 | 说明 | |--------|------| | 图像定位 | 使用轮廓检测或模板匹配来定位发票区域 | | 多语言支持 | 若发票含英文，可使用 lang='eng' 或 lang='chi_sim+eng' | | 错误处理 | 添加异常捕获机制，避免因识别失败导致程序崩溃 | | 结果导出 | 将识别结果导出为 CSV 文件便于后续分析 |

---

✅ 五、总结

通过上述步骤，你可以构建一个发票截取与编号软件，实现以下目标：

1. 自动识别发票关键信息
2. 对发票图片进行编号和分类
3. 批量处理多张发票图片

重点总结：

• 图像预处理 是提升 OCR 准确率的关键。
• 正则表达式 可有效提取结构化数据。
• 批量处理 提高效率，适用于大量发票场景。

---

如需进一步扩展，可以结合 PDF 解析 或 API 接口 与税务局系统对接，实现更智能化的发票管理。需要我帮你写 API 接口部分吗？