具有置信度评分和API的OCR和文档解析服务

每天我们处理一系列扫描文档，已经厌倦了手动重新输入。我们需要一个服务，能够接受上传的图像或多页扫描，并返回干净的结构化数据：不仅仅是一堆识别的文本，而是我们关心的确切字段。对于发票，这包括供应商、发票号码、日期、项目、税金和总额。对于收据，这包括商家、日期、金额和货币。对于身份证，这包括姓名、文件号码和到期日期。每个提取的值必须具有置信度评分，以便操作员立即看到哪些字段值得信赖，哪些需要再次检查。该任务专门涉及从文档中读取和提取数据，因此请不要向我们提供PDF生成或媒体库——那是一个不同的项目。

结果有两个部分必须协同工作。首先，一个可靠的提取管道：图像清理和对齐，跨不同打印质量和多种语言的OCR，然后是一个解析层，将原始文本映射到上述命名字段。其次，一个简单的验证界面，供人工打开文档，查看覆盖在原始扫描上的识别字段，并在批准之前纠正模型错误的任何内容。低置信度字段应突出显示，以便快速验证。所有这些也必须以编程方式可用：一个REST端点，接受文件并返回包含字段、值、边界框坐标和置信度的JSON，以及用于异步批处理的webhooks或状态端点。

我们在技术上很灵活：云视觉模型、开源OCR堆栈或混合方案都可以，只要准确性高且每页成本可预测。分享类似提取任务的示例，并诚实评估在真实、不完美扫描上的准确性。

— 从发票、收据和身份证中提取结构化字段
— 每个字段的置信度评分，并突出显示不可靠的字段
— 带有字段覆盖在原始扫描上的验证界面
— 返回JSON的REST API：字段、值、坐标、置信度
— 带有异步状态或webhooks的批处理
— 每页可预测的价格和扫描的文档准确性记录