技术分享:当复杂文档遇见智能解析

——文析，让数据自己说话

本地离线 OCR ｜ 智能版面识别 ｜ 复杂数据治理

司法实践中，一份银行流水往往不是一张干净的表格。标题、户名、账号、表头、交易明细、小计、备注，全部混杂在同一个页面里；遇上司法协助查询场景，文件带公章、字段多达数十项、表格无框线、跨页续表更是常态。这样的材料，机器「看得见」，却「读不懂」。

图1  银行系统导出的原始流水：标题、账户信息、表头、数据、小计、备注混杂呈现

数据并非以结构化的行列关系存在，而是以视觉排版的形式呈现。摆在办案人员面前的只有两条路：要么人工逐行整理，一份流水耗去半天；要么上传云端 OCR 服务，让敏感数据离开本机——前者低效，后者越线。

文析给出了第三条路：把 OCR、版面识别、结构还原、数据治理全部放进本地。材料不出本机，结果不经外网，复杂文档进，标准数据出。

一句话：让机器替你读懂表格，让数据自己开口说话——全程本地、离线、可控。

办案、审计、财务核对，凡是高强度处理数据的场景，都绕不开三类最难啃的材料：

混合表——标题、账户信息、表头、数据、小计、备注层层堆叠，人工整理动辄数十分钟；

扫描件与拍照件——有边框、无边框、多重表头、合并单元格，格式千差万别，没有统一模板可套；

无框线 PDF——流水单据、司法文书缺乏显式框线，传统工具连表格在哪都找不到，更谈不上还原结构。

图2  三类最具挑战性的文档类型

三类材料看似不同，病根却是同一个：数据以视觉排版而非结构化形式存在。而司法协助查询文件往往还带公章、含数十项溯源字段（IP 地址、MAC 地址、商户编号等），数据敏感性极高，绝不允许离开本地半步。

传统方案为什么集体失效？云端 OCR 触碰合规红线，本地工具读不懂复杂版面，通用软件分不清哪行是数据、哪行是小计。三道坎叠加，构成了一个长期悬而未决的技术困局。

文析的破题思路只有一条：识别、理解、治理全部本地完成，从源头杜绝数据外泄的可能。

文析把一份复杂文档变成标准数据，只需四步。每一步的输出都是下一步的输入，环环相扣：

第一步，识别文字——本地 OCR 引擎将图像转为文本，中英文混合印刷体通吃，断网也能跑。

第二步，理解版面——不只认字，更读懂结构：哪里是标题、哪里是正文、哪里是表格、阅读顺序如何，一一拆解。常规材料走快速模式，复杂版面走精细模式，按场景自适应。

第三步，还原表格——把表格区域重建为行列结构，有边框、无边框、多重表头、合并单元格，统统自适应。

第四步，治理数据——混合表变身标准明细表：标题说明提取为全局信息，表头映射为标准字段，数据行逐条保留，小计合计备注自动剔除，账户信息自动下填到每一行。

四步之中，真正的技术壁垒藏在后两步——版面识别与数据治理，这正是文析的两项核心能力。

图3  四层处理链路：从原始文档到标准数据

版面识别是四步链路的「眼睛」：它决定机器能否看清文档的结构。文析采用快速 / 精细双模式——常规材料走快速模式，秒级出结果；复杂版面走精细模式，标题、正文、表格、阅读顺序逐一还原。按场景自适应，不为速度牺牲精度，也不为精度浪费等待。

图4  快速 / 精细双模式对比

【识别前】上传待识别文件

图5  识别前：上传待识别文件，支持批量导入

【识别后】识别结果：结构自动还原

图6  识别后：标题、正文、表格结构自动还原，可导出 Markdown / Word / Excel

日常办公中，大家最熟悉的识别工具莫过于 WPS 的图片转文字——但它的 OCR 基于云端处理，图片和识别结果都要经过远端服务器。对普通文档这无可厚非，可一旦碰上银行流水、案件材料这类敏感文档，「上传」这个动作本身就越过了合规红线。文析走的是另一条路：本地离线 OCR，不调用任何公网云端服务，不上传文件，不上传识别内容——敏感数据从进到出，没有离开过你的电脑。

这是文析最具技术深度的能力，也是区别于市面所有工具的核心壁垒。

治理引擎做的不是简单的格式转换，而是基于行角色识别的语义重构。系统自动判断每一行扮演什么角色——标题行、说明行、表头行、数据行、小计行、合计行、备注行、空白行，再按角色执行差异化策略：标题说明提取为全局信息，表头映射为标准字段，数据行保留，小计合计备注剔除，账户信息自动下填至每条明细。

难在哪？不同银行、不同系统导出的表格千差万别，没有统一模板可套。治理引擎必须在没有任何模板可以套用的情况下，自主推断表头位置、字段含义、数据边界——这正是它的算法价值所在。说得再直白一点：给它一张没见过的表，它也能像人一样读懂。

【案例 1· 银行流水混合表】标题 + 账户信息 + 小计备注混杂

图7  银行流水治理前后对比：账户信息自动追加为列，小计/合计/备注剔除，数据完整保留

【案例2 · 分页续表流水】跨页重复表头 + 续页标注

图8  分页流水治理前后对比：上半为原始数据（跨页重复表头、「续下页」标注、页首信息重复），下半为治理后标准明细表（表头去重、续页标注剔除、户名账号逐行下填）

图9 治理工作台：账号、户名被自动识别为推荐字段（默认勾选），可一键向下填充

以分页流水为例：第一页是表头 + 数据 +「续下页」标注，第二页标题、户名、表头重复出现后再接数据。治理引擎自动识别重复表头与续页结构，把跨页数据合并成一张完整明细表，户名账号逐行下填到全部 6 条交易记录。实测结果：重复表头去重、续页标注剔除、账户信息下填率 100%。

混合表、多级表头、分页续表——三类最典型的复杂表，均在数秒内完成治理，全程本地运行，文件不出本机。

核心能力之外，文析还内置了 23 项文档工具，覆盖 PDF 处理、格式转换、Excel 工具、签章工具四大类——从拿到材料到产出成果，不用在多个软件之间来回切换。

图10  23 项文档工具总览

图11  文档工具集界面：PDF 处理 9 项、格式转换 7 项、Excel 工具 8 项、签章工具 3 项

表1  四条核心要点

文析解决的问题很朴素：让一线人员从「手工整理表格」中解放出来，把时间还给真正需要专业判断的环节。

多项核心能力——行角色识别驱动的数据治理、快速精细双模式的智能版面识别，加上本地离线 OCR 与 23 项文档工具，串起了从「获取材料」到「产出可用数据」的完整链路。

「数据不该是负担，而该是证据、是依据、是效率。」 文析，让每一页复杂文档都能被读懂。