基于 PaddleOCR 的快递面单与发票信息抽取 Excel 导出实战

摘要

物流面单和发票图片里包含大量可结构化的信息，但如果只停留在“识别出文字”，业务人员仍然需要人工复制运单号、联系人、地址、发票号码、金额等字段。本文基于一个完整 Python 项目，演示如何把公开真实单据图片经过 OCR 文本识别、文档类型判断、规则字段抽取和 Excel/CSV/JSON 导出，整理成可复核的数据表和标注结果图。

项目默认支持三种输入方式：paddle模式调用 PaddleOCR 做实时识别，auto模式优先使用 PaddleOCR 并在不可用时回退，text模式读取已经由真实单据 OCR 得到的文本文件，便于离线复现同一组正式结果。本文的截图使用 FedEx 国际空运单样例和 ReceiptBank 发票样例生成，不使用手绘 demo 单据或占位图。

关键词：PaddleOCR、快递面单识别、发票 OCR、关键信息抽取、Excel 导出、openpyxl、Python 项目实战

一、项目目标

实际办公自动化里，OCR 项目交付的重点不是单张图片能不能识别出几行文字，而是能否把文字继续整理成业务需要的字段。快递面单里常见字段包括运单号、寄件人、收件人、电话、地址、物品名称和重量；发票里常见字段包括发票号码、开票日期、购买方、销售方、税额和价税合计。

这些字段具有明显的格式特征，第一版项目不需要训练专门的字段抽取模型。更稳妥的方案是把 OCR 输出统一成文本行，再用“文档分类 + 关键词 + 正则规则”抽取字段，最后导出 Excel 给人工复核。

下图是本次真实样例运行后的整体摘要。程序处理了 2 张公开单据图片，分别识别为发票和快递面单，并生成 Excel、CSV、JSON 与标注结果图。

二、技术方案

项目的处理链路分为七个环节：图片输入、OCR 文本识别、文档分类、字段抽取、结构化记录、Excel/CSV/JSON 导出、标注结果图保存。OCR 后端与字段抽取模块保持解耦，只要 OCR 输出统一的文本行对象，后续规则和导出逻辑就可以复用。

核心模块如下：

• main.py：命令行入口，负责解析输入目录、输出目录、OCR 模式和配置文件。
• src/ocr_engine.py：封装 PaddleOCR、离线样例文本和真实 OCR 文本回放。
• src/extractor.py：负责文档类型判断和字段规则抽取。
• src/exporter.py：导出 Excel、CSV、JSON。
• src/visualizer.py：绘制 OCR 标注框、字段结果面板、摘要图和 Excel 预览图。
• configs/extraction_rules.yml：维护快递面单和发票的关键词、必填字段和展示标签。

这种拆分方式适合后续扩展。如果要把命令行项目升级成 Flask/FastAPI Web 系统，只需要在上传接口里调用同一套 pipeline，不必重写 OCR 和字段抽取逻辑。

三、真实样例运行结果

本次验证使用两张公开单据图片：一张 ReceiptBank 发票图片和一张 FedEx 国际空运单样例。程序读取图片后，根据 OCR 文本判断文档类型，再抽取对应字段。发票样例中，程序抽取到了发票号码、日期、购买方、销售方、金额、税额和合计金额。

发票结果中的关键字段如下：

文档类型：invoice 发票号码：B35139 发票日期：04-18-17 购买方：THOR'S HAMMER CONSTRUCTION INC 销售方：Pacific West Systems Supply Ltd. 不含税金额：399.94 税额：20.00 合计金额：447.94

快递面单样例中，程序抽取到了运单号、寄件人、寄件电话、寄件地址、收件人、收件地址和物品名称。公开样例中部分联系信息是匿名或留空的，程序会在 Excel 中保留缺失字段数量，方便人工复核。

快递面单结果中的关键字段如下：

文档类型：waybill 运单号：1234 5678 9011 寄件人：XXX Wong 寄件电话：612-9045-4979 寄件地址：Unit 6, 1307 Botany Road 收件人：XXX Chan 收件地址：200 West Grand Ave 物品名称：Silicon wafer for semiconductor

四、核心代码设计

OCR 引擎层返回统一的OCRLine数据结构，每条记录包含文本、置信度和文本框坐标。PaddleOCR 实时识别、离线样例文本和真实 OCR 文本回放都转换成相同格式，后面的分类、抽取、导出代码不需要关心 OCR 来源。

@dataclassclassOCRLine:text:strscore:float=1.0box:Optional[list]=None

文档类型判断使用配置文件中的关键词计分。快递面单会命中Air Waybill、FedEx、Shipper、Recipient等关键词；发票会命中SALES INVOICE、Invoice No.、Invoice Date、Sub-Total、PLEASE PAY THIS AMOUNT等关键词。

doc_types:waybill:keywords:-Air Waybill-FedEx-Shipper-Recipientinvoice:keywords:-SALES INVOICE-Invoice No.-Invoice Date-Sub-Total

字段抽取阶段根据文档类型选择不同规则。运单号可以匹配中文“运单号”、英文Waybill No.，也可以匹配空运单中常见的分组数字；发票号码可以匹配中文“发票号码”、英文Invoice No.以及表格中跟在日期字段附近的编号。

tracking_no=first_match([r"(?:运单号|快递单号|物流单号|Waybill\s*No\.?)[:\s]*([A-Z0-9]{8,30})",r"\b(\d{4}\s+\d{4}\s+\d{4})\b",],text)total_amount=first_match([r"(?:价税合计|合计金额|小写)[:\s￥¥]*([0-9]+(?:\.[0-9]{1,2})?)",r"(?:PLEASE\s+PAY\s+THIS\s+AMOUNT|Amount\s+Due)[:\s$]*([0-9]+(?:\.[0-9]{1,2})?)",],text)

规则抽取的优点是透明、可解释、易维护。遇到新模板时，可以先查看RawText工作表中的 OCR 原文，再补充字段别名或正则表达式。

五、Excel 导出与复核

项目使用openpyxl生成.xlsx文件，同时导出 CSV 和 JSON。Excel 中包含四个工作表：

• Summary：处理数量、类型分布和生成时间。
• Records：一张单据一行，适合业务筛选和统计。
• Fields：一个字段一行，适合字段级复核。
• RawText：保存 OCR 原文，方便定位识别错误和规则缺口。

下面是Records工作表预览。发票和快递面单被统一整理成结构化记录，后续可以导入业务系统，也可以直接给人工审核。

保留RawText很关键。很多 OCR 项目的错误并不在字段规则，而是图片中的文字本身识别错了。把原文写入 Excel 后，可以按下面的顺序排查：

字段为空或异常 ↓ 查看 RawText 中是否识别出对应文本 ↓ 如果 RawText 没有，优先优化图片质量或 OCR 参数 ↓ 如果 RawText 有，补充 extractor.py 中的字段规则

六、运行方式

先安装基础依赖：

pipinstall-rrequirements.txt

如果要复现本文的真实样例结果，可以使用随项目提供的公开单据图片和 OCR 文本文件：

python main.py--modetext\--inputdemo_data/real_run_images\--ocr-text-dir demo_data/real_ocr_texts\--outputoutputs_real_final\--blog-assets images/results_real_final

运行成功后会生成：

outputs_real_final/extracted_fields.xlsx outputs_real_final/data/extracted_records.csv outputs_real_final/data/extraction_result.json outputs_real_final/images/annotated_*.png outputs_real_final/images/extraction_summary.png outputs_real_final/images/excel_preview.png

如果本机已经安装 PaddlePaddle 和 PaddleOCR，可以直接对自己的图片运行实时 OCR：

pipinstall-rrequirements-paddleocr.txt python main.py--modepaddle--inputyour_images--outputoutputs

也可以使用自动模式：

python main.py--modeauto--inputyour_images--outputoutputs

auto模式会优先尝试 PaddleOCR，适合已经配置好 OCR 环境的机器；text模式适合课程设计、博客复现和资源包验证，因为它不依赖模型下载，也不会因为外部模型版本变化导致截图不一致。

七、扩展方向

当前项目已经完成命令行批处理、字段抽取、表格导出和结果可视化。后续可以继续扩展：

1. 增加 Flask/FastAPI 上传页面，实现浏览器上传单据和下载 Excel。
2. 增加 PySide6 桌面界面，让非技术用户选择图片目录后直接运行。
3. 接入数据库，把每次抽取记录保存到 SQLite、MySQL 或 PostgreSQL。
4. 增加人工复核页面，允许用户修正字段后再导出。
5. 扩展更多文档类型，例如收据、采购单、合同首页、营业执照等。

对于课程设计或 CSDN 项目实战，这个版本已经覆盖了 OCR 项目的完整闭环：真实图片输入、OCR 文本解析、结构化字段输出、Excel 复核和结果图展示。对于企业内部工具，则可以在此基础上继续补充权限、审计和人工确认流程。

八、总结

本文实现了一个基于 PaddleOCR 思路的快递面单与发票信息抽取项目。它不是简单的 OCR API 调用，而是把 OCR 输出继续加工为业务可用的 Excel、CSV、JSON 和标注图。项目通过统一 OCR 行结构解耦识别后端，通过 YAML 配置和规则抽取保持可维护性，通过 RawText 和字段置信度保留复核依据。

真实业务中，OCR 抽取结果建议保留人工复核，尤其是物流结算、财务报销和客户资料入库等场景。程序负责减少重复录入，人工负责确认关键字段，这样才能兼顾效率和准确性。

参考资料

• PaddleOCR GitHub：https://github.com/PaddlePaddle/PaddleOCR
• PaddleOCR Quick Start：https://paddlepaddle.github.io/PaddleOCR/main/en/quick_start.html
• PaddleOCR General OCR Pipeline：https://paddlepaddle.github.io/PaddleOCR/main/en/version3.x/pipeline_usage/OCR.html
• openpyxl 文档：https://openpyxl.readthedocs.io/
• Pillow ImageDraw 文档：https://pillow.readthedocs.io/en/stable/reference/ImageDraw.html
• ReceiptBank 发票公开样例：https://commons.wikimedia.org/wiki/File:Receiptbank_Invoice.png
• FedEx 空运单说明：https://www.fedex.com/en-us/shipping/air-waybill.html