ARTICLE · 1284922

月底录发票别再手敲:两条路线批量进Excel

发布时间：2026-10-31 10:39:13 最近访问：2026-10-31 10:39:13

推广：aiwebcool.com - 最硬核的 AI 工具指南网站，挑工具前先来这查一眼

实战SOP

月底录发票别再手敲:两条路线批量进Excel

发布于 2026年10月30日 · 7 分钟阅读

每到月底，财务和行政的桌角总会准时出现一摞报销发票：专票、普票、电子发票打印件，有的还压着红章。逐张打开、逐个字段敲进 Excel，一晚上过去，价税合计栏还差三十行。这件事完全可以交给脚本：把整个文件夹的发票批量喂给 OCR，跑完直接得到一张汇总表。本文给两条可复现的完整路线，从装依赖到导出 xlsx 一步不落。

先把分工说清楚：站内那篇 DeepSeek-OCR 部署教程讲的是「把 OCR 模型跑起来」，属于工具导向；本篇讲的是「把一摞发票变成一张 Excel」，属于任务导向，部署细节不再重复展开。

两条路线怎么选

主流做法分两条：云 API 路线和本地开源路线。一张表看清差异：

维度	路线 A：云 API	路线 B：本地 PaddleOCR
字段结构化	接口直接返回发票号码、税额等命名字段	开源版没有发票专用模型，字段映射须自写规则
数据出域	图片上传到服务商服务器	数据不出本机
费用	百度智能云有按月发放的免费额度	纯本地零成本，CPU 可跑
工程量	装好依赖即可调用	装环境加写正则规则
适合场景	每月几十到上千张、追求省事	票据敏感、量大、愿意维护脚本

一句话结论：图省事走 A，数据敏感或票量大走 B；也可以先拿 A 的免费额度把流程跑通，再迁到 B。

动手前建议先把文件归拢：新建一个「发票」文件夹，电子发票 PDF 原件直接另存进去，纸票用手机平拍（镜头贴近平面、避开灯光直射），命名尽量带上开票方和日期，后面排查漏识别时能对上号。文件夹结构没有强制要求，本文脚本示例用的就是同目录「发票」文件夹加汇总表输出的布局，照搬即可。

路线 A：云 API 六步走

以百度智能云「增值税发票识别」为例。官方文档给出的接口是 POST https://aip.baidubce.com/rest/2.0/ocr/v1/vat_invoice，入参 image、url、pdf_file、ofd_file 四选一，优先级依次降低。也就是说 PDF 发票可以直接传 pdf_file，不必先转图片；base64 编码并 urlencode 后不超过 8M，图片最短边不小于 15px、最长边不超过 4096px；多页 PDF 用 pdf_file_num 指定页码，不传默认识别第 1 页。

第一步：装依赖。 一条命令装齐四个库：

pip install pymupdf pandas openpyxl requests

一个许可提醒：PyMuPDF 采用 AGPL/商业双许可——个人项目与开源（AGPL 兼容）场景免费，闭源商用需向厂商购买商业授权；发票场景若在公司内部工具里用，先确认许可边界，介意的话可换 pdf2image（GPL 组件依赖，同样要核对）或直接走云 API 的 pdf_file 直传，绕开本地渲染。

第二步：开通服务、管好密钥。 在百度智能云控制台创建 OCR 应用，拿到 API Key 和 Secret Key。密钥不要写进代码，用环境变量承载——官方 SDK 指南原话就是「不要把 AccessKey 写进项目代码」。

第三步：换 access_token。 调用识别接口前，先拿两个 Key 换 token，之后把 token 带在 URL 参数里请求：

import os, requests  def get_token():     # 密钥放环境变量，不硬编码     resp = requests.get(         "https://aip.baidubce.com/oauth/2.0/token",         params={             "grant_type": "client_credentials",             "client_id": os.environ["BAIDU_OCR_API_KEY"],             "client_secret": os.environ["BAIDU_OCR_SECRET_KEY"],         },     )     return resp.json()["access_token"]

第四步：确认票种与参数。 接口默认 type=normal，覆盖增值税普票、专票、电子发票（含全电票）和区块链发票；卷票传 type=roll；开 seal_tag=true 会附带印章判断结果。注意票种边界：定额发票、通用机打发票、医疗发票不在增值税发票识别范围内，硬传会失败或字段缺失，这类票要换百度智能云的智能财务票据识别接口 multiple_invoice，一次能拆 13 种常见票据的混贴图。

第五步：收集文件、跑批量脚本。 用标准库 pathlib 或 glob 递归通配文件夹里的 PDF、JPG、PNG，零第三方依赖。PDF 用 PyMuPDF 渲染成 300dpi 的 PNG——PDF 默认按 72dpi 渲染，150dpi 够网页预览但不够 OCR 认小字，OCR 输入建议 300dpi，且 PNG 优于 JPG（避免压缩伪影干扰笔画）。逐张调接口，把 words_result 字段装进字典，失败的单记状态、不中断整批：

import os, time, base64, glob import fitz  # PyMuPDF import pandas as pd import requests  VAT_URL = "https://aip.baidubce.com/rest/2.0/ocr/v1/vat_invoice"  def pdf_to_png(pdf_path, dpi=300):     # PDF 渲染成 300dpi PNG，OCR 认小字更稳     doc = fitz.open(pdf_path)     pix = doc[0].get_pixmap(matrix=fitz.Matrix(dpi / 72, dpi / 72))     return pix.tobytes("png")  def recognize(token, img_bytes):     resp = requests.post(         VAT_URL,         params={"access_token": token},         headers={"Content-Type": "application/x-www-form-urlencoded"},         data={"image": base64.b64encode(img_bytes).decode()},     )     return resp.json()  def main():     token = get_token()     rows = []     files = glob.glob("发票/*.pdf") + glob.glob("发票/*.jpg") + glob.glob("发票/*.png")     for path in files:         row = {"文件名": os.path.basename(path), "识别状态": "成功"}         try:             if path.lower().endswith(".pdf"):                 img = pdf_to_png(path)             else:                 img = open(path, "rb").read()             w = recognize(token, img).get("words_result", {})             row.update({                 "发票号码": w.get("InvoiceNum", ""),                 "开票日期": w.get("InvoiceDate", ""),                 "销售方税号": w.get("SellerRegisterNum", ""),                 "合计金额": w.get("TotalAmount", ""),                 "合计税额": w.get("TotalTax", ""),                 "价税合计": w.get("AmountInFiguers", ""),             })         except Exception as e:             row["识别状态"] = f"失败：{e}"         rows.append(row)         time.sleep(0.6)  # 免费态 2 QPS，串行节流     pd.DataFrame(rows).to_excel("发票汇总.xlsx", index=False)  if __name__ == "__main__":     main()

顺带一提，脚本里统一先转 PNG 是为了让输入可控、便于本地留档复查；如果你追求最少步骤，接口本身支持 pdf_file 直传，跳过转图那步也能跑。

第六步：额度与限速要心里有数。 按百度智能云官方免费测试资源页（页面更新时间 2026-10-22，本文 10-30 核对）：增值税发票识别个人认证 1,000 次/月、企业认证 2,000 次/月，额度按月发放，当月没用完不结转；官方原文还写明「成功调用与失败调用均消耗免费测试资源」——传一张废图照样扣次，别拿模糊测试图刷量。QPS 以官方 QA 口径为准：未开通付费 2 QPS，开通付费后提升至 10 QPS；社区流传的 5 QPS、3 QPS 说法与官方口径不一致，本文不采。2 QPS 意味着脚本必须串行加 time.sleep 节流，或对限流错误做指数退避重试，上面脚本的 sleep(0.6) 就是干这个的。

其他云厂商可作对照：腾讯云混贴票据识别接口单图支持 14 种标准报销发票混贴，默认请求频率 5 次/秒；阿里云 RecognizeInvoice 支持增值税专票、普票、电子发票，格式覆盖最广（含 OFD、TIFF），官方自述总体识别准确率可达 98%——注意这是厂商自报口径。腾讯云免费额度各处说法不一，动手前以控制台资源包列表实际显示为准。

路线 B：本地 PaddleOCR

选它的理由：PaddleOCR 是目前 GitHub 上关注度最高的开源 OCR 项目之一（截至 2026-10-30 实测 91,929 星），Apache-2.0 许可。最新 release v3.7.0 发布了 PP-OCRv6 系列，分 tiny、small、medium 三档，CPU 就能跑——官方 release 说明给了 OpenVINO CPU 推理加速 5.2 倍的实证，发票批量场景用 CPU 完全可行，只是吞吐低于 GPU；不上显卡就没有显存压力。

pip install paddlepaddle paddleocr

环境注意：仓库提交记录里提到 PaddlePaddle 3.3.0 的 CPU 原生推理对 paddleocr 模型存在 bug，官方曾给出版本回退建议。装环境时把 PaddlePaddle 版本锁住是常见做法，遇到推理异常先查版本兼容，别急着怀疑代码。

关键认知，也是本文最想帮你避开的坑：开源版 PaddleOCR 没有增值税发票专用模型。 正确用法是 PP-OCRv6 做通用文字检测识别，拿到一串文本块之后自己写正则规则映射字段。这和云 API 直接返回 InvoiceNum 命名字段的工程量差异，正是两条路线选型的核心论据。需要表格或版面还原时，v3.6.0 起的 PaddleOCR-VL 配合 PP-StructureV3 管道支持表格识别与印章识别开关，可以叠加使用。

import re, glob import pandas as pd from paddleocr import PaddleOCR  ocr = PaddleOCR(ocr_version="PP-OCRv6", device="cpu")  # CPU 即可跑  def extract_fields(texts):     # 从文本块里按规则捞字段，开源路线的核心工作量在这里     row = {}     for t in texts:         if re.fullmatch(r"\d{8}", t):          # 8 位发票号码             row["发票号码"] = t         m = re.search(r"(\d{4}年\d{1,2}月\d{1,2}日)", t)         if m:             row["开票日期"] = m.group(1)         m = re.search(r"(?:价税合计|合\s*计).*?([\d,]+\.\d{2})", t)         if m:             row.setdefault("价税合计", m.group(1))     return row  rows = [] for path in glob.glob("发票/*.png") + glob.glob("发票/*.jpg"):     result = ocr.predict(path)     texts = result[0]["rec_texts"]             # 通用文本块列表     rows.append({"文件名": path, **extract_fields(texts)})  pd.DataFrame(rows).to_excel("发票汇总_本地.xlsx", index=False)

示例正则只覆盖三类最典型字段。真实票面远比示例复杂：全电票版式、卷票、带折痕的扫描件都会让规则漏抓，所以本地路线的产出务必保留一列人工复核状态。

字段映射与 Excel 导出

云 API 返回的是英文字段名，落表前要做一次映射。百度智能云官方文档里发票识别的关键字段对照如下：

返回字段	含义	建议列名
InvoiceNum	发票号码	发票号码
InvoiceDate	开票日期	开票日期
SellerRegisterNum	销售方纳税人识别号	销售方税号
TotalAmount	合计金额	合计金额
TotalTax	合计税额	合计税额
AmountInFiguers	价税合计（小写）	价税合计
CommodityTaxRate	税率（在商品明细数组内）	税率

商品明细数组里的 CommodityName、CommodityPrice 等字段可按需展开成子表，这里不铺开。导出环节用 pandas 出数、openpyxl 做样式：pandas 的 to_excel 写 .xlsx 底层用的就是 openpyxl 引擎；当前 pandas 稳定版 3.0.6（2026-09-18 发布）要求 Python 3.11 以上。给汇总表加一点办公体面：

from openpyxl import load_workbook from openpyxl.styles import Font  wb = load_workbook("发票汇总.xlsx") ws = wb.active for cell in ws[1]:     cell.font = Font(bold=True)   # 表头加粗 ws.freeze_panes = "A2"            # 冻结首行 for col in "FGH":                 # 金额三列套千分位     for cell in ws[col][1:]:         cell.number_format = "#,##0.00" wb.save("发票汇总.xlsx")

两个库的分工口诀：按「表格」思考用 pandas，按「单元格和样式」思考用 openpyxl。注意 openpyxl 不计算公式——如果表里写了公式，用 load_workbook(data_only=True) 读结果前，须先在 Excel 或 LibreOffice 里重算保存过。

大模型路线：作补充，不当主力

GLM-OCR（智谱开源，0.9B 参数）支持 text、formula、table、custom 四种模式，custom 模式用自定义 JSON schema 提示词做结构化抽取，社区有开发者用它对收据抽出发票号、日期、明细与合计的实测示例。但口径要说全：这是官方能力宣称加第三方通用实测，目前没有发票专项公开基准，实测者的结论也是「结构化抽取靠 prompt 明确约束后稳定性才大幅提升」。0.9B 参数对显存要求很低，票量不大、想用一行 prompt 代替一套正则时可以试；要稳定产线，前两条路线更可靠。资源清单见站内 GLM-OCR 篇（文末延伸阅读）。

常见报错与对策

识别失败和识别不准要分开排查：前者是接口报错或返回空，多为图片质量问题；后者是有结果但字段错位，多为版式与语义问题。排查顺序四步走：图片质量、版式与语言、引擎参数、业务兜底。

采集端的高频原因：覆膜票面灯光直射反光过曝、倾斜拍摄致字段畸变、折痕污渍褪色、红色发票章压住税号或金额栏、截图滤镜过度压缩丢细节。对策是柔光平拍、抚平折痕、印章遮挡时微调角度、优先用电子发票 PDF 原件而非翻拍截图。量化看有多伤：百度智能云一篇技术文的实验口径称 15 度倾斜使字符识别准确率下降 23%，另有案例印章覆盖导致 35% 的金额字段识别错误——注意这是该文实验与案例数据，不是行业通识。

接口侧可对照官方错误码表（以腾讯云文档为例，各家逻辑相似）：ImageBlur 图片模糊就重拍或预处理；ImageDecodeFailed 解码失败就核对文件确为 PNG/JPG/PDF 且未损坏；文件超限就压缩或拆分。票种不匹配（定额、机打、医疗发票硬传增值税接口）就换混贴票据接口。

大模型路线有三类典型错误也值得知道（腾讯云官方公众号口径）：字段串行（购销方名称与税号错位）、金额串行（不含税金额、税额、价税合计读串）、明细截断（多行明细只出前几行）；专业 OCR 按字段坐标返回，不发生串行问题。