「票据」这个词听起来像会计的事，但实际生活里需要它的场景比想象中密集：
- 报销：公司报销有期限，找不齐就得自己承担
- 保修与索赔：家电、数码产品坏了，要出示购买凭证，而它可能躺在三年前的某个抽屉里
- 租房与押金：退租时房东说「墙面有损坏」，你得翻出当初的交接单和转账记录
- 装修与维权：合同、报价单、付款凭证、验收单，缺哪一样都说不清
- 个税专项附加扣除：部分扣除项目需要留存备查资料
- 经营与报账：个体经营、自由职业者的成本票据，本身就是钱
共同的痛点只有一个：票据是「当下没用、需要时找不到」的东西。纸质件塞抽屉、电子发票散在邮箱和下载目录里，真要用的时候翻不出来。这篇给一套完整的本地归档流程：离线识别中文票据、提取日期和金额、按规则重命名归档。
为什么不用在线 OCR 服务
在线 OCR 很方便，但票据这个场景恰好是它最不合适的场景，三个原因：
第一，票据上全是敏感信息。发票有纳税人识别号，合同有身份信息和金额，收据有银行卡尾号。把这类文件上传到第三方服务器做识别，等于把最不该外流的东西送出去。
第二，按次付费的成本会累积。单张看起来只有几分钱，但归档这件事是长期的、批量的。一年积累几百上千份，费用不小，而且你没法预知什么时候需要重跑一遍（比如换了归档规则要重新识别）。
第三，服务的不确定性。接口调整、免费额度变化、服务下线，都会让你的流程中断。归档是十年尺度的事，依赖一个可能消失的服务不合理。
Umi-OCR：国产开源离线方案
Umi-OCR（仓库 hiroi-sora/Umi-OCR）是国内开发者维护的开源离线 OCR 工具，MIT 协议，GitHub 上近 3 万 star，由作者利用业余时间持续维护。它完全离线运行，解压即用，不需要联网，也不需要显卡。安装包从 GitHub Releases 拿，作者另外提供了国内免注册的下载渠道。
对本场景最有用的四个能力：
- 批量识别：把几十上百张图片或 PDF 拖进去，一次性识别完，导出成每份文件一个 txt
- PDF 识别与双层 PDF 输出：把扫描件转成「视觉上还是原扫描件、但文字层可搜索可复制」的双层 PDF。这是归档场景的核心能力——原件形态不变，检索能力补上了
- 识别引擎可切换：自带两个离线引擎（PaddleOCR 和 RapidOCR），也可以装插件扩展，识别效果不理想时可以换引擎试
- 命令行与 HTTP 接口：可以被脚本调用，接进自己的自动化流程
它还支持截图识别、二维码识别、公式识别，日常用起来更像一个工具箱。语言方面支持简体、繁体、英文、日文等多语种，中文识别是它的主场——这一点是很多国外 OCR 工具的短板。
两步流程：先识别，再归档
整个流程刻意分成两步，因为这是最稳的组合：OCR 交给成熟工具，归档用自己的脚本。两者之间用「每份文件一个 txt」这个最简单的格式衔接。
第一步（Umi-OCR 手工完成）：把要归档的图片或 PDF 拖进批量识别，导出结果到一个目录。导出的 txt 和原文件同名，这一步不需要写任何代码。
第二步（下面的脚本自动完成）：读取这批 txt，从文字里提取「日期、金额、票据类型」，然后重命名成 日期_类型_金额.后缀 并归入 年-月 子目录，最后生成一份汇总表。
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""票据归档：把 OCR 出来的发票/小票/合同按日期金额归类
配合本地离线 OCR（如 Umi-OCR 批量识别导出 txt）使用：
1. 用 OCR 把图片/PDF 批量识别成同名 .txt
2. 本脚本读 .txt，提取日期、金额、票据类型
3. 生成归档计划：重命名成「日期_金额_类型.xxx」，归入 年/月/ 目录
用法:
python receipt_organize.py ./ocr_out # 只预览
python receipt_organize.py ./ocr_out --apply # 真正移动/重命名
python receipt_organize.py ./ocr_out --ext .pdf # 指定原始文件后缀
"""
import argparse
import csv
import os
import re
import shutil
import sys
from datetime import datetime
DATE_PATTERNS = [
(r"(d{4})[-/.年](d{1,2})[-/.月](d{1,2})", lambda m: (int(m.group(1)), int(m.group(2)), int(m.group(3)))),
(r"(d{4})[-/.年](d{1,2})", lambda m: (int(m.group(1)), int(m.group(2)), 1)),
]
AMOUNT_PATTERNS = [
r"(?:小写|金额|合计|总计|应付|实付|价税合计|押金|租金|月租|首付|尾款)[^0-9]{0,10}([d,]+.?d{0,2})",
r"[¥￥]s*([d,]+.?d{0,2})",
r"([d,]+.d{2})s*元",
]
TYPES = [
("发票", ["发票", "增值税", "电子发票", "发票号码", "税号"]),
("小票", ["小票", "收银", "购物小票", "欢迎光临", "实付", "找零"]),
("火车票", ["火车票", "铁路", "车次", "12306", "乘车日期"]),
("机票", ["机票", "航班", "登机牌", "行程单", "boarding"]),
("话费", ["话费", "通信费", "中国移动通信", "中国电信", "中国联通"]),
("水电燃气", ["电费", "水费", "燃气", "供电", "自来水", "国网"]),
("快递", ["快递", "运单", "寄件", "收件", "物流"]),
("合同", ["合同", "协议", "甲方", "乙方", "签订日期"]),
("医疗", ["门诊", "医疗", "医院", "挂号", "处方", "发票监制"]),
("收据", ["收据", "收条", "今收到"]),
]
def find_date(text):
for pat, conv in DATE_PATTERNS:
m = re.search(pat, text)
if m:
y, mo, d = conv(m)
if 2000 <= y <= 2100 and 1 <= mo <= 12 and 1 <= d <= 31:
return "%04d-%02d-%02d" % (y, mo, d)
return None
def find_amount(text):
cands = []
for pat in AMOUNT_PATTERNS:
for m in re.finditer(pat, text):
try:
v = float(m.group(1).replace(",", ""))
except ValueError:
continue
if 0 < v < 1000000:
cands.append(v)
if not cands:
return None
# 「合计/价税合计」通常就是应付额；取最大的往往是合计，但小票里最大的可能是原价
# 这里取出现金额里的最大值，并在无法判断时标 needs_check
return max(cands)
def find_type(text, filename):
best, score = "其他", 0
for name, kws in TYPES:
s = sum(1 for k in kws if k in text or k in filename)
if s > score:
best, score = name, s
return best
def scan(indir, ext):
"""扫描 OCR 出的 .txt，按同名匹配原始文件"""
items = []
for fn in sorted(os.listdir(indir)):
if not fn.lower().endswith(".txt"):
continue
base = fn[:-4]
src = None
if ext:
p = os.path.join(indir, base + ext)
if os.path.exists(p):
src = p
if src is None:
for cand in os.listdir(indir):
if cand == fn:
continue
if os.path.splitext(cand)[0] == base:
src = os.path.join(indir, cand)
break
with open(os.path.join(indir, fn), encoding="utf-8", errors="ignore") as f:
text = f.read()
items.append({
"txt": fn, "src": src, "text": text,
"date": find_date(text) or find_date(base),
"amount": find_amount(text),
"type": find_type(text, base),
})
return items
def w(s, n):
width = sum(2 if ord(c) > 127 else 1 for c in s)
return s + " " * max(0, n - width)
def main():
ap = argparse.ArgumentParser()
ap.add_argument("indir")
ap.add_argument("--apply", action="store_true")
ap.add_argument("--ext", default="")
ap.add_argument("--out", default="")
a = ap.parse_args()
if not os.path.isdir(a.indir):
sys.exit("目录不存在：%s" % a.indir)
items = scan(a.indir, a.ext)
if not items:
sys.exit("目录下没有 .txt，先把 OCR 结果导出到这个目录")
outdir = a.out or os.path.join(a.indir, "归档")
print("共 %d 份票据n" % len(items))
print(w("提取日期", 12) + w("金额", 12) + w("类型", 10) + w("原文件", 26) + "状态")
print("-" * 92)
ok, miss, total = [], 0, 0.0
for it in items:
if it["date"] and it["amount"]:
status = "OK"
ok.append(it)
total += it["amount"]
else:
status = "缺" + ("日期 " if not it["date"] else "") + ("金额" if not it["amount"] else "")
miss += 1
print(w(it["date"] or "-", 12) + w("%.2f" % it["amount"] if it["amount"] else "-", 12)
+ w(it["type"], 10) + w(os.path.basename(it["src"] or it["txt"])[:24], 26) + status)
print("-" * 92)
print("可归档 %d 份，合计 %.2f；识别不全 %d 份（需手工补）n" % (len(ok), total, miss))
# 月度汇总
by_month = {}
for it in ok:
by_month.setdefault(it["date"][:7], [0, 0.0])
by_month[it["date"][:7]][0] += 1
by_month[it["date"][:7]][1] += it["amount"]
if by_month:
print("月度分布：")
for m in sorted(by_month):
n, s = by_month[m]
print(" %s %2d 份 %10.2f" % (m, n, s))
print()
if not a.apply:
print("以上是预览。确认无误后加 --apply 执行归档。")
return
os.makedirs(outdir, exist_ok=True)
moved = 0
for it in ok:
if not it["src"]:
continue
ym = it["date"][:7]
target_dir = os.path.join(outdir, ym)
os.makedirs(target_dir, exist_ok=True)
ext = os.path.splitext(it["src"])[1]
newname = "%s_%s_%.2f%s" % (it["date"], it["type"], it["amount"], ext)
dst = os.path.join(target_dir, newname)
i = 1
while os.path.exists(dst):
dst = os.path.join(target_dir, newname.replace(ext, "_%d%s" % (i, ext)))
i += 1
shutil.copy2(it["src"], dst)
moved += 1
csvpath = os.path.join(outdir, "汇总.csv")
with open(csvpath, "w", encoding="utf-8-sig", newline="") as f:
wcsv = csv.writer(f)
wcsv.writerow(["日期", "类型", "金额", "归档文件名"])
for it in ok:
if not it["src"]:
continue
ext = os.path.splitext(it["src"])[1]
wcsv.writerow([it["date"], it["type"], "%.2f" % it["amount"],
"%s_%s_%.2f%s" % (it["date"], it["type"], it["amount"], ext)])
print("已归档 %d 份到 %s，并生成 %s" % (moved, outdir, csvpath))
print("原文件保留不动（用的是复制），确认后再手工清理。")
if __name__ == "__main__":
main()
它同样是纯标准库，不需要装任何依赖。默认只做预览，确认无误后加 --apply 才真正操作，而且用的是复制而不是移动，原文件保持不动——归档出错时可以随时重来。
用 5 份模拟票据（发票、超市小票、话费账单、租赁合同、一张模糊件）跑出来的结果：
共 5 份票据
提取日期 金额 类型 原文件 状态
--------------------------------------------------------------------------------------------
2026-03-14 268.00 发票 bill01.txt OK
2026-04-02 213.80 小票 bill02.txt OK
2026-05-01 128.00 话费 bill03.txt OK
2026-01-05 4800.00 合同 bill04.txt OK
- - 其他 bill05.txt 缺日期 金额
--------------------------------------------------------------------------------------------
可归档 4 份，合计 5409.80；识别不全 1 份（需手工补）
月度分布：
2026-03 1 份 268.00
2026-04 1 份 213.80
2026-05 1 份 128.00执行 --apply 后会得到这样的结构，并额外生成一份汇总 CSV：
归档/
2026-01/
2026-01-05_合同_4800.00.PDF
2026-03/
2026-03-14_发票_268.00.png
2026-04/
2026-04-02_小票_213.80.jpg
2026-05/
2026-05-01_话费_128.00.png
汇总.csv几个必须知道的坑
第一，识别不全的必须被显式标出来，不能默默放过。上面那张模糊件就被标成了「缺日期 金额」。这是整个流程最重要的设计：全自动归档最危险的失败模式不是报错，而是「悄悄漏掉一份」。所以脚本把所有识别不全的单独列出来，让你手工处理——宁可留一份要人看，也不要少一份。
第二，金额提取靠关键词，不是万能的。脚本用「合计 / 小写 / 价税合计 / 押金 / 租金 / 实付」这类词去定位金额。我在测试时就发现过这种情况：合同里写的是「押金 4800.00」，最初的词表里没有「押金」，结果金额提取失败。所以在自己用的时候，遇到没被识别的类别，就把那个关键词加进词表。这也是为什么建议先跑一遍预览、看输出再决定是否执行。
第三，OCR 识别率受拍摄质量影响极大。倾斜、反光、褶皱、盖章遮挡都会明显降低准确率。实用建议是：拍摄时保证单据平整、光线均匀、尽量正对，背景与纸张颜色反差大。一次拍好，比事后修图省事得多。
第四，手写和特殊格式别指望自动。手写收据、特殊行业单据、复杂表格，识别效果都不稳定。这类老老实实人工归类，只在备注里记录。
纸质件数字化：一次整理，长期受益
如果家里已经攒了几年的纸质票据，建议按这个顺序做一次性整理：
- 先按年份分堆，不要一边翻一边归档，那会没完没了
- 过期的直接处理掉：保修期已过、报销期已过、金额极小的，可以拍个照就丢——重点是别让它们占用你的注意力
- 重要的先拍照：合同、大额发票、房产与车辆相关、医疗票据，这几类优先
- 统一命名再批量识别：照片文件名尽量带上日期（相机默认名称通常就有），能减少后续人工判断
- 跑一遍脚本看预览，把识别不全的手工补，再执行归档
- 做备份：归档目录至少复制一份到另一块硬盘或另一个位置
关于长期保存，两个细节值得注意：第一，原始扫描件的格式优先用 PDF 或 PNG，避免反复压缩的 JPG；第二，除了文件名，归档时生成的汇总 CSV 就是你的「票据台账」——按年份留着，将来查「某年某月买过什么」比翻文件夹快得多。
和已有的省钱流程怎么接
这套归档流程不是孤立的，它是前面几篇的基础设施：
- 跟比价与价保配合：申请价保要提交订单和价格截图，归档后随时能翻出来
- 跟话费宽带降档配合：申诉时需要的账单明细、业务办理截图、工单记录，按月份归档就是现成的证据包
- 跟账单优化配合：电费、话费的历史账单本身就是趋势分析的数据源，三年后还能查到当时的单价和用量
- 跟发票与报销配合：英文发票、境外服务账单能不能报销、怎么入账，那篇里单独写过
按需获取，减少需要归档的订阅账单
顺带说一句：减少订阅，本身就是在减少要归档的账单。每少一个按月扣款的服务，就少一份要追踪、要留证的记录。素材这类低频需求尤其如此——按项目按张获取，用一次结一次，账目也干净得多。 代下载仅提供文件获取服务，商用授权需自行购买。
常见问题
Umi-OCR 和其他离线 OCR 比，优势在哪？
它的优势集中在三点：中文识别质量（国产工具在本土文档上通常更稳）、开箱即用（解压就能跑，不用配环境、不依赖显卡）、以及可被程序调用（提供命令行和 HTTP 接口，能接进自动化流程）。另外它带双层 PDF 输出，这个功能在免费工具里不算常见，对归档场景很关键。
脚本能不能直接调用 OCR，做成全自动？
技术上可以——Umi-OCR 提供命令行和 HTTP 接口，可以把识别环节也接进脚本。但我不建议一上来就这么做，原因是：识别结果需要人判断的地方比想象中多（模糊件、金额有歧义、多张票据混在一页）。先用两步流程跑一段时间，摸清自己票据的识别情况，再考虑把第一步也自动化。先让流程可靠，再让它全自动。
公司报销要求原件，数字化还有用吗？
有用，而且作用不同。数字化不替代原件，它解决的是「找得到、看得清、能检索」：报销时先查台账定位是哪几张，再去翻原件；原件丢失时，扫描件也能作为辅助证明；多个渠道报销时，扫描件副本可以先用。原件该留还是要留，两者不冲突。
归档目录要不要放到网盘同步？
看你对隐私的要求。票据里有身份信息、金额、账号，放到第三方网盘意味着这些数据离开你的设备。如果要用同步，至少有两条底线：选择支持客户端加密的存储方式，并且不要用同一个账号存放与身份直接关联的其他资料。更稳妥的做法是本地保存 + 定期冷备份到移动硬盘。
评论 (0)