OCR管道：将收据扫描转换为结构化数据

我们公司积累了数万份纸质收据和文件扫描，目前这些文件存放在文件夹和PDF档案中，无法进行搜索或分析。我们需要一个有效的OCR数字化管道：它接收一批扫描，识别每页上的文本，并将非结构化图像转换为可以查询的干净结构化记录。每周都有新的文件增加，因此解决方案必须能够自动按计划工作，从输入文件夹中获取新文件，并可靠地处理它们，而无需人工监控队列。准确性对我们来说比速度更重要：错误的金额或错误的日期会在会计中造成实际问题，因此管道应谨慎操作，并标记所有不确定的内容。

对于每个文档，系统必须提取我们需要的字段：供应商名称、发票号码、发票日期、行项目（如果存在）、货币、税前金额、税金和总金额。提取后，必须验证值，将日期统一为单一标准格式，核对数字以确保行项目与所述总额匹配，并将低置信度的结果发送到人工审核队列，而不是静默记录。干净的记录应同时输出到我们的数据库和电子表格，以便财务部门可以立即使用。优先考虑使用已知OCR引擎的Python实现、清晰的日志记录和简单的重新处理失败文档的方法。

请将此视为生产工具，而非原型。我们将提供一组代表性的真实扫描（质量各异、旋转、使用不同语言）以进行调优，我们期待回报的是源代码、安装说明和简要的交接，以便我们的员工能够操作和开发该系统。

— 从监控文件夹中获取扫描和PDF，识别前对齐和清理图像
— 提取供应商、发票号码、日期、金额、税金和行项目，并进行置信度评分
— 验证和标准化字段；核对行项目与总额；将可疑结果发送到人工审核
— 将结构化记录输出到数据库和电子表格；日志和重新运行的能力