使用简单的Python脚本实现AI OCR发票数据提取

发表于 May 15, 2026,作者:阿尔西亚·卡哈尼。
AI OCR Invoice Processing Python
本页内容 3 分钟阅读
  1. 1什么是基于AI的OCR?
  2. 2为什么要用AI OCR处理发票?
  3. 3AI OCR处理发票的优势
  4. 4使用FlowHunt AI OCR工具的投资回报率(ROI)
  5. 5OCR实施中的常见问题
  6. 6Python OCR脚本环境配置
  7. 7代码分步详解
  8. 8运行脚本与输出测试
  9. 9总结
  10. 10完整代码一览

什么是基于AI的OCR?

AI驱动的OCR超越了传统OCR的能力,它利用人工智能理解文档上下文,能处理多种布局类型,即使是最复杂的文档也能高质量提取结构化数据。传统OCR只能处理固定格式文本,而AI OCR则适用于发票及各类商业文档中常见的多种布局和配置。

基于AI的OCR的主要特性

  • 上下文理解: AI OCR使用NLP理解文档语境。当“总金额”、“发票日期”、“客户名称”等字段出现在不同位置时,都能准确识别。
  • 灵活性: 传统OCR遇到不规则布局容易出错;AI OCR则具备极高的灵活性,能轻松从各种发票格式中提取信息。
  • 数据结构化: AI OCR通常直接输出结构化结果,便于后续处理,而传统OCR仅输出原始文本。

为什么要用AI OCR处理发票?

无论是财务、物流还是采购部门,发票都需高效且高精度地处理。AI OCR自动提取数据,优化流程,提高数据准确性。

FlowHunt 标志

准备好发展您的业务了吗?

今天开始免费试用,几天内即可看到结果。

AI OCR处理发票的优势

  • 速度与效率: 利用AI OCR,可在极短时间内批量处理大量发票,节省人力和资源。
  • 提高准确率: 经过多种文档格式训练的AI模型,减少了人工录入带来的错误。
  • 数据管理更流畅: 数据已结构化,可便捷导入数据库、分析系统,甚至ERP系统。
  • 可扩展性: AI OCR无需增加人手即可处理海量文档,适用于大型企业或快速扩张的公司。

使用FlowHunt AI OCR工具的投资回报率(ROI)

大多数传统企业仍通过人工方式手动从发票中提取数据,这既耗时又成本高。税务、法律、金融等众多领域和公司都可以自动化这项工作。

该流程仅需5到15秒,费用为0.01–0.02积分,而人工处理同样任务的时薪通常为$15–$30。

OCR Cost Comparison
处理方式年成本年处理发票数量单张发票成本
人工$30,00012,000$2.50
FlowHunt$16212,000$0.013
FlowHunt($30,000预算)$30,0002,250,000$0.0133

可以说,FlowHunt的效率高出极大幅度。

OCR实施中的常见问题

虽然OCR非常有用,但也面临一些挑战:

  1. 图像质量: OCR准确率高度依赖图像质量。模糊或低分辨率图片会导致识别结果差。
  2. 格式复杂: 含有复杂布局、混合字体或表格的文档可能需要高级OCR处理能力。
  3. 语言与字符集: 部分OCR软件的语言支持有限,遇到非拉丁字符时需特殊模型。
  4. 错误率: 没有任何OCR软件能做到100%准确,尤其是花体或不规则字体,可能导致输出出错。

为应对这些挑战,必须选用强大灵活的OCR工具。FlowHunt API可处理复杂文档结构,是大规模OCR项目的理想选择。

Python OCR脚本环境配置

为了自动化流程,需安装以下Python库:

pip install requests pdf2image git+https://github.com/QualityUnit/flowhunt-python-sdk.git

该命令会安装:

  • requests: 用于向FlowHunt API发送HTTP请求、下载OCR结果。
  • pdf2image: 将PDF页面转换为图片。
  • flowhunt: FlowHunt官方Python SDK,简化与OCR API的交互。

代码分步详解

本代码会将PDF转为图片,逐页发送至FlowHunt进行OCR处理,并将结果保存为CSV。

导入依赖库

import json
import os
import re
import time
import requests
import flowhunt
from flowhunt.rest import ApiException
from pprint import pprint
from pdf2image import convert_from_path
  • json、os、re、time 负责JSON处理、文件管理、正则表达式和时间间隔。
  • requests:用于处理HTTP请求,如下载OCR结果。
  • flowhunt:FlowHunt SDK,用于鉴权及与OCR API通信。
  • pdf2image:将PDF每页转为图片,便于逐页OCR。

PDF转图片函数

def convert_pdf_to_image(path: str) -> None:
    """
    Convert a PDF file to images, storing each page as a JPEG.
    """
    images = convert_from_path(path)
    for i in range(len(images)):
        images[i].save('data/images/' + 'page' + str(i) + '.jpg', 'JPEG')
  • convert_from_path:将PDF每页转为一张图片。
  • images[i].save:保存每页为独立JPEG图片,便于后续OCR。

提取OCR输出文件URL的函数

def extract_attachment_url(data_string):
    pattern = r'```flowhunt\n({.*})\n```'
    match = re.search(pattern, data_string, re.DOTALL)
    if match:
        json_string = match.group(1)
        try:
            json_data = json.loads(json_string)
            return json_data.get('download_link', None)
        except json.JSONDecodeError:
            print("Error: Failed to decode JSON.")
            return None
    return None
  • 该函数用于提取OCR输出文件的下载链接。
  • 利用正则表达式查找包含下载链接的JSON对象。

API配置及鉴权

convert_pdf_to_image("data/test.pdf")
FLOW_ID = "<FLOW_ID_HERE>"

configuration = flowhunt.Configuration(
    host="https://api.flowhunt.io",
    api_key={"APIKeyHeader": "<API_KEY_HERE>"}
)
  • 将PDF转为图片。
  • 使用FlowHunt账号信息配置API访问。

初始化API客户端

with flowhunt.ApiClient(configuration) as api_client:
    auth_api = flowhunt.AuthApi(api_client)
    api_response = auth_api.get_user()
    workspace_id = api_response.api_key_workspace_id
  • 完成认证,获取workspace_id,后续API调用需用到。

启动流程会话(Flow Session)

flows_api = flowhunt.FlowsApi(api_client)
from_flow_create_session_req = flowhunt.FlowSessionCreateFromFlowRequest(flow_id=FLOW_ID)
create_session_rsp = flows_api.create_flow_session(workspace_id, from_flow_create_session_req)
  • 创建会话,便于上传图片并处理OCR。

上传图片进行OCR处理

for image in os.listdir("data/images"):
    image_name, image_extension = os.path.splitext(image)
    with open("data/images/" + image, "rb") as file:
        try:
            flow_sess_attachment = flows_api.upload_attachments(
                create_session_rsp.session_id,
                file.read()
            )
  • 将每张图片上传到会话中,供OCR处理。

触发OCR处理并轮询结果

invoke_rsp = flows_api.invoke_flow_response(
    create_session_rsp.session_id, 
    flowhunt.FlowSessionInvokeRequest(message="")
)
while True:
    get_flow_rsp = flows_api.poll_flow_response(
        create_session_rsp.session_id, invoke_rsp.message_id
    )
    print("Flow response: ", get_flow_rsp)
    if get_flow_rsp.response_status == "S":
        print("done OCR")
        break
    time.sleep(3)
  • 触发OCR处理,并每3秒轮询一次直到处理完成。

下载并保存OCR输出

attachment_url = extract_attachment_url(get_flow_rsp.final_response[0])
if attachment_url:
    response = requests.get(attachment_url)
    with open("data/results/" + image_name + ".csv", "wb") as file:
        file.write(response.content)
  • 下载CSV输出结果,保存到本地。

运行脚本与输出测试

执行流程如下:

  1. 将PDF文件放入data/文件夹。
  2. 用您的FlowHunt账号信息替换<FLOW_ID_HERE>和<API_KEY_HERE>。
  3. 运行脚本即可完成PDF转图片、图片上传OCR、下载结构化CSV结果的自动处理。

总结

本Python脚本为大规模OCR流程提供高效解决方案,适用于高文档处理需求的行业。结合FlowHunt API,轻松实现文档到CSV的转换,优化流程、提升生产力。

完整代码一览

点此查看Gist版本

import json
import os
import re
import time
import requests
import flowhunt
from flowhunt.rest import ApiException
from pprint import pprint
from pdf2image import convert_from_path

def convert_pdf_to_image(path: str) -> None:
    """
    Convert a pdf file to an image
    :return:
    """
    images = convert_from_path(path)
    for i in range(len(images)):
        images[i].save('data/images/' + 'page'+ str(i) +'.jpg', 'JPEG')

def extract_attachment_url(data_string):
    pattern = r'```flowhunt\n({.*})\n```'
    match = re.search(pattern, data_string, re.DOTALL)
    if match:
        json_string = match.group(1)
        try:
            json_data = json.loads(json_string)
            return json_data.get('download_link', None)
        except json.JSONDecodeError:
            print("Error: Failed to decode JSON.")
            return None
    return None

convert_pdf_to_image("data/test.pdf")
FLOW_ID = "<FLOW_ID_HERE>"

configuration = flowhunt.Configuration(host = "https://api.flowhunt.io",
                                       api_key = {"APIKeyHeader": "<API_KEY_HERE>"})

with flowhunt.ApiClient(configuration) as api_client:
    auth_api = flowhunt.AuthApi(api_client)
    api_response = auth_api.get_user()
    workspace_id = api_response.api_key_workspace_id

    flows_api = flowhunt.FlowsApi(api_client)
    from_flow_create_session_req = flowhunt.FlowSessionCreateFromFlowRequest(
        flow_id=FLOW_ID
    )
    create_session_rsp = flows_api.create_flow_session(workspace_id, from_flow_create_session_req)

    for image in os.listdir("data/images"):
        image_name, image_extension = os.path.splitext(image)
        with open("data/images/" + image, "rb") as file:
            try:
                flow_sess_attachment = flows_api.upload_attachments(
                    create_session_rsp.session_id,
                    file.read()
                )
                invoke_rsp = flows_api.invoke_flow_response(create_session_rsp.session_id, flowhunt.FlowSessionInvokeRequest(
                    message="",
                ))
                while True:
                    get_flow_rsp = flows_api.poll_flow_response(create_session_rsp.session_id, invoke_rsp.message_id)
                    print("Flow response: ", get_flow_rsp)
                    if get_flow_rsp.response_status == "S":
                        print("done OCR")
                        attachment_url = extract_attachment_url(get_flow_rsp.final_response[0])
                        if attachment_url:
                            print("Attachment URL: ", attachment_url, "\n Downloading the file...")
                            response = requests.get(attachment_url)
                            with open("data/results/" + image_name + ".csv", "wb") as file:
                                file.write(response.content)
                        break
                    time.sleep(3)
            except ApiException as e:
                print("error for file ", image)
                print(e)

常见问题

阿尔西亚是 FlowHunt 的一名 AI 工作流程工程师。拥有计算机科学背景并热衷于人工智能,他专注于创建高效的工作流程,将 AI 工具整合到日常任务中,从而提升生产力和创造力。

阿尔西亚·卡哈尼
阿尔西亚·卡哈尼
AI 工作流程工程师

试用FlowHunt的AI发票OCR工具

借助FlowHunt强大的AI OCR自动提取发票数据。节省时间,减少错误,秒级将PDF转为结构化数据,优化您的工作流程。

了解更多

如何使用 AI 自动提取发票数据
如何使用 AI 自动提取发票数据

如何使用 AI 自动提取发票数据

AI 发票数据提取可读取任意发票格式——PDF、扫描件或照片,并在几秒内返回结构化数据。以下是确切流程,以及首先需要核验的内容。...

1 分钟阅读
AI Invoice Processing +3
AI发票OCR与数据提取机器人
AI发票OCR与数据提取机器人

AI发票OCR与数据提取机器人

通过上传发票图片并提取关键发票数据(如发票号码、类型、语言、项目、价格和总金额)来实现发票处理自动化。结果以markdown表格和结构化CSV文件输出,助力高效的财务工作流程。...

1 分钟阅读