- name
- invoice-ocr-extractor
- description
- |
发票票据识别虾
工作流程
[发票图片/PDF] → [图像预处理] → [OCR识别] → [字段提取] → [数据校验] → [入库/填表]步骤
1. 接收输入
- 用户发送发票图片（飞书消息中的图片/文件）→ 用
feishu_im_bot_image下载到本地 - 批量场景：用户提供文件夹路径或多张图片
2. OCR 识别
调用 scripts/extract-invoice.py 进行识别：
# 单张
python3 scripts/extract-invoice.py extract --file <图片路径>
# 批量
python3 scripts/extract-invoice.py batch --dir <目录> --output results.xlsxOCR 优先级：
- 百度发票识别 API（
BAIDU_OCR_API_KEY+BAIDU_OCR_SECRET_KEY） - 阿里发票识别 API（
ALIYUN_OCR_ACCESS_KEY） - 降级：使用 AI 视觉能力直接分析图片（无需 API key，准确率略低）
若无 OCR API，直接将图片发给 AI 模型，用视觉能力提取字段，并说明"使用 AI 视觉识别，建议人工复核金额"。
3. 提取标准字段
| 字段 | 说明 |
|---|---|
| invoice_type | 发票类型（增值税专票/普票/电子发票/机票/火车票/餐饮/住宿/出租车） |
| invoice_code | 发票代码（10或12位） |
| invoice_number | 发票号码（8位） |
| invoice_date | 开票日期（YYYY-MM-DD） |
| seller_name | 销售方名称 |
| buyer_name | 购买方名称 |
| amount | 不含税金额 |
| tax_rate | 税率 |
| tax_amount | 税额 |
| total_amount | 价税合计 |
| expense_category | 费用分类（见 references/expense-categories.md） |
| confidence | 识别置信度（high/medium/low） |
4. 数据校验
- 金额校验：
amount + tax_amount ≈ total_amount（误差 < 0.01） - 日期合理性：开票日期不能是未来日期
- 发票代码格式：10位或12位纯数字
- 重复发票检测：同一
invoice_code + invoice_number组合视为重复
5. 费用分类
参考 references/expense-categories.md 自动分类。
6. 输出
根据用户需求选择输出方式：
飞书多维表格（推荐）：
- 参考 feishu-bitable skill，将结果写入多维表格
- 字段映射见上方标准字段表
Excel 导出：
python3 scripts/extract-invoice.py batch --dir ./invoices --output results.xlsx直接回复：单张发票直接在对话中展示提取结果
税务验真（可选）
仅对增值税专票/普票有效：
python3 scripts/extract-invoice.py verify \
--code <发票代码> \
--number <发票号码> \
--date <开票日期> \
--amount <金额>结果：真实 / 虚假 / 已作废 / 已冲红
税务验真 API 有每日免费额度，批量验真时注意控制频率。
注意事项
- 图片模糊时，提示用户重新拍摄（建议 300DPI 以上）
- 金额 > 1000 元时，建议提示用户人工复核
- 不支持手写收据和外文发票
- 批量处理时，自动去重（相同发票代码+号码只录入一次）
参考文件
references/invoice-types.md— 各类发票版面特征references/field-extraction.md— 字段提取规则references/expense-categories.md— 费用分类规则references/tax-verification.md— 税务验真接口说明