整理发票时，最费时间的往往不是改名，而是把发票代码、号码、日期、购销方、金额这些信息从票面一一抄下来。手工录入几十张就会开始出错，尤其是号码这种长数字串。字段提取要做的事，就是让机器先读一遍，人只复核它拿不准的地方。
一、两条路线：读文本层，还是识图
电子发票的文件形态不同，读取方式也不同，理解这一点比记住任何工具的名字都重要。
文本层解析
PDF 和 OFD 是有版式的文档格式。正规渠道开具的电子发票，文件里通常存着真实的文字对象及其坐标，可以直接读出「这段文字写在这里」。拿到文字和坐标之后，再按发票的固定版式定位字段，速度快、结果稳定，几乎不会认错字。
OCR 识别
扫描件、拍照件、打印后扫描的 pdf，页面里只有一张图，没有文字层。这时只能让 OCR 先把图上的文字识别出来，再用正则表达式和字段邻近关系，判断哪段文字属于发票号码、哪段属于销方名称。OCR 的速度慢得多，准确性也更依赖画面质量。
两者是先后关系而不是二选一：优先走文本层，文本层缺失或文字量明显不足时，才降级到 OCR。这样既快又稳，也不用为每张票都跑一遍图像识别。
二、一张发票能读出哪些字段
常见的可提取字段包括：
- 发票代码、发票号码
- 开票日期
- 购买方名称、销售方名称
- 金额、税额、价税合计
- 文件类型与文件格式
这些字段覆盖了改名和清单导出的大部分需要。再往下细分的项目明细，通常不必进文件名，需要时再打开原件看。
三、数电票的 XML 为什么最省事
全面数字化电子发票（数电票）除了 PDF、OFD 版式外，还提供一份 XML 数据文件。XML 本身就是结构化的，字段有明确的标签，解析时不需要猜版式、也不需要 OCR，直接读取即可，准确率最高。
所以如果手里同时有 XML 和 PDF，优先让工具读 XML 来取字段，PDF 留作查看和归档。这也是为什么归档环节要强调保留 XML：它既能作为原始凭证，也是机器读取时最可靠的数据源。
四、识别不准的四个常见原因
- 画面质量差：扫描倾斜、模糊、分辨率过低，OCR 会把相近的字认混，数字尤其容易出错；
- 票面被遮挡：印章、手写签名、折痕压在文字上，任何 OCR 都无法完全还原被盖住的部分；
- 特殊字体：个别票面使用非标准字体，字形判断容易偏差；
- 多票合一：一个 PDF 里合并了多张发票，按版式定位时位置会错开，导致字段串位。
这些情况的共同点是：工具本身没有出错，只是原始画面里可读的信息不足。此时正确的处理不是要求工具「猜得更准」，而是把不确定的字段标出来，交给人看一眼。
五、低置信度字段要人工复核
一个实用的判断标准：识别结果应该带置信度。置信度低的字段在表格里高亮，用户可以当场修改，也可以先执行、事后再回头核对。把复核范围收窄到标黄的少数条目，比逐张肉眼核对整批发票省下大量时间，又不会让错误悄悄流进清单。
具体到财务场景，金额和税额属于关键字段，即便置信度不低，也建议在正式入账前人工过一遍；购方、销方名称可以容忍少量差异，因为它主要影响文件名的可读性。
六、批量提字段的推荐流程
- 整批导入：把 PDF、OFD、XML 一起放进待处理列表，交给工具自动分流；
- 自动识别：文本层优先，必要时 OCR 兜底，同时记录每个字段的置信度；
- 集中复核：只看被标出的低置信度条目，逐条修正；
- 生成清单：把字段、原文件名、新文件名整理成表格；
- 导出对账：导出 Excel、CSV 或 JSON，交给财务核对，或作为归档目录保存。
七、工具怎么配合
发票整理助手按上面的路线工作：批量导入 PDF、OFD 与数电票 XML，文本层优先、OCR 兜底提取字段，低置信度字段标黄提示并允许手动修改，识别结果可导出为 Excel、CSV 或 JSON。所有解析都在本机完成，发票不上传。软件目前即将上线，安装包就绪后会在产品页公布。
一句话记住：有文字层就别用 OCR，有 XML 就别猜版式；机器负责读，人只负责复核标黄的部分。
常见问题
电子发票的字段是怎么提取出来的？
分两条路线。PDF、OFD 这类版式文件如果带有文本层，可以直接读取文字及其坐标，再按票面的固定版式定位字段，速度快、准确率高。文本层缺失或是扫描件时，才用 OCR 识别画面文字，再靠正则和字段邻近关系把内容归到对应字段上。数电票的 XML 本身就是结构化数据，直接解析节点最准确。
为什么同一张发票有时识别不准？
常见原因有四类：扫描件倾斜、模糊或分辨率过低；发票上有印章、手写或折痕压住文字；使用了特殊字体导致 OCR 字形判断出错；一个文件里合并了多张发票，版式定位错位。遇到这些情况，工具会把置信度低的字段标出来，让人工复核，而不是默默给出一个错误结果。
提取出来的字段准不准，能直接用来做账吗？
识别结果适合用来整理文件、生成清单和初步对账，不能替代人工复核。发票原件才是最终依据，涉及金额、税额的关键字段应当人工核对。工具会标注低置信度字段，就是为了把有限的复核精力集中到可能出错的少数条目上。
提取结果能导出成 Excel 吗？
可以导出。发票整理助手把识别字段、原文件名、新文件名与处理状态整理成清单，导出为 Excel、CSV 或 JSON，方便交给财务对账或作为归档目录。免费版保留基础清单导出，完整导出能力属于 Pro 功能。
👉 想先看看数电票 XML 里的字段长什么样？可用在线的 XML 格式发票查看器，拖入文件还原票样，本地解析不上传。产品详情见 发票整理助手。
属技术原理与操作经验参考；发票真伪与入账口径以发票原件和主管税务机关要求为准。