企业官网建设流程全解析

影刀RPA新手教程：OCR文字识别实战——发票识别验证码与截图文字提取

一、OCR指令怎么用：截图→识别→取文本

影刀的OCR在指令面板搜"OCR"就能看到。核心指令就一个：【OCR文字识别】。

三件套：

1. 截图——指定屏幕区域（或窗口/全屏）
2. OCR识别——把截图丢给OCR引擎
3. 取文本——从识别结果里提取关键词

最简流程：

1. 截取屏幕区域 (x=100, y=200, width=400, height=200) 2. OCR文字识别(截图变量) → 识别结果 3. 打印(识别结果)

如果要识别指定窗口：

1. 截取窗口("记事本") → 截图 2. OCR文字识别(截图) → 文本

识别前两个优化必做：

• 截图范围尽可能精确——全屏截图OCR又慢又容易误识别多余文字，精确到只有目标文字的区域
• 如果背景杂乱，先用图像处理提高对比度（灰度化/二值化），识别率翻倍

二、发票识别实战

发票识别的核心需求：从发票图片上提取金额、日期、发票号。

完整流程：

步骤1：加载发票图片 读取文件 → 保存为图片变量 步骤2：定位发票关键区域 发票号通常右上角 金额在右下角"合计金额"附近 日期在中间偏上 步骤3：分别截取各区域 截取发票号区域 → ocr_发票号 截取金额区域 → ocr_金额 截取日期区域 → ocr_日期 步骤4：正则清洗OCR结果 OCR原始输出："发票号码: 4401234567 (电子)" 正则提取: 用 \d{10,12} 提取发票号 OCR原始输出：'合计金额(大写)：零圆零角零分 小写：¥1,580.00' 正则提取: 用 [\d,]+\.\d{2} 提取金额 OCR原始输出：'开票日期：2024年06月25日' 正则提取: 用 \d{4}年\d{2}月\d{2}日 提取日期

正则清洗是关键——OCR识别出来的不是干净的"1580.00"，而是带着"合计金额"“小写”"¥"这些杂质的字符串。

Python块里做正则清洗（比影刀指令快）：

importredefclean_invoice_data(ocr_text):# 正则提取发票号invoice_no=re.search(r'发票号码[：:]\s*(\d{10,12})',ocr_text)inv_no=invoice_no.group(1)ifinvoice_noelse''# 正则提取金额amount_pat=re.search(r'[合小]计[金额]*[：:].*?([\d,]+\.\d{2})',ocr_text)amount=amount_pat.group(1).replace(',','')ifamount_patelse''![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/6acc4445afbc4185a0b4bd83d472607e.png#pic_center)# 正则提取日期date_pat=re.search(r'(\d{4})年(\d{1,2})月(\d{1,2})日',ocr_text)date=f"{date_pat.group(1)}-{date_pat.group(2).zfill(2)}-{date_pat.group(3).zfill(2)}"ifdate_patelse''return{'发票号':inv_no,'金额':amount,'日期':date}# 输入来自影刀的ocr结果变量result=clean_invoice_data(ocr_text)

第一种发票格式的正则好使，换一种发票格式就废了。建议多收集几种发票模板，每种写一套正则。

我第一次做发票识别时匹配了3个客户的发票模板，第4个客户的发票排版完全不同——金额不在右下角而在中下部。正则全挂。后来改成先OCR全图，再关键词定位——找到"合计金额"四个字，从它后面截取50个字符，再用正则。这套逻辑适配度就高很多。

三、验证码识别：能过就过，过不了上打码平台

影刀的OCR对简单的验证码（纯数字、无干扰线、无扭曲）识别率还可以——大概60%-70%。复杂验证码（字母数字混合、带噪点、变形、滑块）就不行了。

简单数字验证码的流程：

1. 截取验证码图片区域（精确到验证码本身，不要截多余区域） 2. OCR文字识别(验证码截图) → 验证码文本 3. 输入验证码 4. 如果登录失败 → 刷新验证码 → 重新识别

如果OCR老识别错——加个预处理。

Python块做图片预处理：

fromPILimportImage,ImageFilter,ImageEnhanceimportiodefpreprocess_captcha(img_bytes):# img_bytes来自影刀的截图数据img=Image.open(io.BytesIO(img_bytes))# 转灰度img=img.convert('L')# 提高对比度enhancer=ImageEnhance.Contrast(img)img=enhancer.enhance(2.0)# 二值化（黑白分明）threshold=128img=img.point(lambdap:255ifp>thresholdelse0)# 去噪（可选）img=img.filter(ImageFilter.MedianFilter(3))# 转回bytesoutput=io.BytesIO()img.save(output,format='PNG')returnoutput.getvalue()# 返回预处理后的图片 → 再用影刀OCR识别

OCR搞不定的验证码——对接第三方打码平台。

流程：

1. 截取验证码图片 2. HTTP请求(打码平台API) → 传入图片Base64 3. 返回识别结果 4. 输入登录框

市面上打码平台（快识别、图鉴、超级鹰等）API都差不多——一个Base64编码的图片扔过去，返回数字字母串。一次几分钱到一毛钱。识别率95%以上。

注意：尽量别依赖打码平台——流程稳定性取决于网络和第三方服务。能绕过验证码的就绕过（cookie保持登录态、减少登录频次）。

四、截图文字提取：全屏截了再找关键字

场景——一个监控大屏，上面有实时数据，不能通过API获取，只能截屏再用OCR。

步骤1：全屏截图 截取屏幕区域(全屏) → 截图 步骤2：OCR全图 OCR文字识别(截图) → 全量文本 步骤3：关键字提取 查找"今日销售额" → 取后面数字 查找"在线设备数" → 取后面数字 查找"告警信息" → 取后面文本

Python块实现关键字提取：

importredefextract_kpi(ocr_full_text):result={}# 提取销售额sales_match=re.search(r'今日销售额[：:]\s*([\d,]+\.?\d*)\s*万元?',ocr_full_text)result['今日销售额']=sales_match.group(1)ifsales_matchelse'0'# 提取在线设备数![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/2a88c392c5d7434282996dd0980b6e42.png#pic_center)device_match=re.search(r'在线设备数[：:]\s*(\d+)',ocr_full_text)result['在线设备数']=device_match.group(1)ifdevice_matchelse'0'returnresult# 返回给影刀kpi=extract_kpi(ocr_text)

全屏OCR的坑——识别出来的文本很多是乱序的。监控大屏上数字分布在不同位置，OCR可能先读左边再读右边，中间穿插识别。所以取数字时尽量用正则去匹配上下文关键字，别按行号取。

五、OCR五大坑和解决方案

坑1：识别准确率不够

纯文字识别率大概90%，但加上杂乱的背景、特殊字体、颜色干扰，准确率直接掉到60%。

解决方案：

• 截图前先用图像增强——转灰度、二值化、去噪
• 缩小截图范围——只截需要的文字区域，不截多余背景
• 文字多个来源验证——比如金额既OCR识别又通过位置计算双重校验

坑2：特殊字符识别错误

OCR最常见的错误：0和O不分、1和l不分、逗号和点号混淆、￥识别成Y。

解决方案：根据业务逻辑约束修正。发票号里不可能有字母O，直接替换成0。金额里￥后面的数字不可能有字母。

坑3：手写体识别率极低

印刷体OCR准确率90%+，手写体只有40%不到。签名、手写备注——OCR基本废了。

解决方案：手写体区域单独标注，人工处理。或者用专门的深度学习OCR模型（PaddleOCR手写模型），但需要在Python里额外集成。

坑4：背景干扰严重

发票的底纹、水印、印章会严重干扰OCR。红色印章盖在黑色文字上，OCR可能把印章纹路当成文字辨认。

解决方案：

• 先用颜色过滤去印章（红色通道分离）
• 提高对比度后二值化，把浅色背景滤掉

坑5：多行混排识别错乱

表格里的数据——表头和内容可能被OCR混在一起。比如"姓名张三年龄25"而不是"姓名 张三\n年龄 25"。

解决方案：截图范围精确到单元格级别，一格格单独识别。或者用PaddleOCR的表格识别模式。

六、批量发票识别→写入Excel完整实战

100张发票图片放在一个文件夹，逐张识别并提取数据存入Excel。

--- 主流程 --- 文件夹路径 = "D:/发票/" 文件列表 = 获取文件列表(文件夹路径) 创建Excel("发票汇总.xlsx") 写入表头("发票号", "金额", "日期", "文件名") 循环: file in 文件列表: 读取文件(file) → 图片变量 OCR识别(图片变量) → ocr文本 Python块 → 正则清洗(ocr文本) → 返回: 发票号, 金额, 日期 写入Excel(发票号, 金额, 日期, file) 打印("处理完成: " + file)

Python正则清洗块（放在流程的资源文件里。）：

importredefparse_invoice(ocr_result):# 多模板匹配# 模板1：标准增值税发票inv_no_1=re.search(r'发票号码[：:]\s*(\d{12})',ocr_result)amount_1=re.search(r'[合小]计[金额]*[：:].*?([\d,]+\.\d{2})',ocr_result)date_1=re.search(r'(\d{4})\s*年\s*(\d{1,2})\s*月\s*(\d{1,2})\s*日',ocr_result)ifinv_no_1andamount_1:return{'发票号':inv_no_1.group(1),'金额':amount_1.group(1).replace(',',''),'日期':f"{date_1.group(1)}-{date_1.group(2).zfill(2)}-{date_1.group(3).zfill(2)}"}# 模板2：电子发票inv_no_2=re.search(r'(\d{20})',ocr_result)# 电子发票号20位amount_2=re.search(r'金额\s*[￥¥]?\s*([\d,]+\.\d{2})',ocr_result)ifinv_no_2andamount_2:return{'发票号':inv_no_2.group(1),'金额':amount_2.group(1).replace(',',''),'日期':''}# 都没匹配到return{'发票号':'','金额':'','日期':''}# 输出result=parse_invoice(ocr_text)

通过多模板匹配，不同格式的发票走不同正则——适配度最大化。

home.linyan.cloud —— 影刀RPA自动化解决方案

内容标签：影刀RPA #OCR文字识别 #发票识别 #验证码 #截图提取 #正则清洗
作者：林焱