pytesseract无法直接读PDF，因它只处理图像；需先用pdf2image将PDF转为高清图像（如dpi=200），再OCR识别，Windows用户须配置poppler路径。
用 pytesseract 读 PDF 发票，为什么全是空或乱码？
PDF 不是图片，pytesseract 直接读会失败——它只处理图像像素。常见错误是直接传入 .pdf 路径给 pytesseract.image_to_string()，结果返回空字符串或报错 TesseractError: No page content。
- 必须先把 PDF 转成图像（如 PNG/JPEG），再喂给 OCR
- 推荐用
pdf2image，它调用 poppler 库做转换，比 Pillow 自带的 PDF 支持更稳 - Windows 用户得手动下载 poppler 并把
poppler\Library\bin加进系统 PATH，否则pdf2image.convert_from_path()会抛IOError: Unable to get page count
from pdf2image import convert_from_path
images = convert_from_path("invoice.pdf", dpi=200) # dpi 太低（<150）文字易粘连
text = pytesseract.image_to_string(images[0], lang="chi_sim+eng") # 中文必须加 lang 参数
发票字段识别不准，怎么让 pytesseract 更靠谱？
OCR 本身不理解“发票代码”“金额”这些语义，只是认字。结构化靠后处理：先提取全文，再用规则或正则捞关键字段。
- 发票代码、校验码通常为纯数字+字母固定长度，比如
^\d{12}$或^[A-Z]{2}\d{10}$ - 金额字段常带“¥”或“元”，后面紧跟数字+小数点，正则如
r'¥\s<em>(\d+.\d{2})'</em>或r'(\d+.\d{2})\s元' - 避免直接匹配“名称：XXX”，因为冒号可能是全角、半角、空格替代，改用模糊定位：先找“购方名称”附近 2 行内的中文字符段
别依赖单次 OCR 结果。对同一张图跑 2–3 次不同配置（比如换 oem 模式），取最长公共子串或投票结果，能明显降噪。
批量处理 PDF 发票时，openpyxl 写 Excel 卡死或格式错乱？
openpyxl 在循环中反复打开/保存同一个文件，性能极差，且容易因未关闭工作簿导致写入失败或内容覆盖。
清理、标准化、验证并汇总杂乱的 Excel 工作簿。当 Codex 需要处理 `.xlsx`、`.xls`、`.xlsm` 或 `.csv` 格式的数据时使用，包括：统一表头格式、删除空白行与空白列、修剪文本内容、去重记录、检测数据质量问题、拆分或合并工作表、生成清洗后的工作簿，以及为业务电子表格生成审计摘要。
立即学习“Python免费学习笔记（深入）”；
- 一次性加载工作簿，循环中只
ws.append(...)，最后统一wb.save() - 别用
ws.cell(row=i, column=j).value = ...做逐单元格赋值，append 行列表快 5 倍以上 - 如果字段含换行符（比如地址栏），Excel 默认不换行显示，得提前设
ws.row_dimensions[i].height = 30和cell.alignment = Alignment(wrap_text=True)
注意日期字段：OCR 提出来的“2024年05月10日”是字符串，Excel 可能无法识别为日期类型。入库前用 datetime.strptime(text.strip(), "%Y年%m月%d日") 转成 datetime 对象，openpyxl 才会自动设为日期格式。
为什么本地跑通了，部署到 Linux 服务器就报 TesseractNotFoundError？
pytesseract 是 Python 封装，底层依赖系统级的 tesseract 二进制程序。本地 macOS/Windows 安装了 GUI 版 tesseract，但服务器往往没装，或版本太老（v4.0 以下不支持 LSTM 模型，中文识别率断崖下跌）。
- Ubuntu/Debian：运行
sudo apt update && sudo apt install tesseract-ocr tesseract-ocr-chi-sim - CentOS/RHEL：用
sudo yum install tesseract tesseract-devel，再手动装中文语言包（从 https://www.php.cn/link/aec4c452116ae7afc8e88a2e0533a93d 下载chi_sim.traineddata放到/usr/share/tesseract-ocr/4.00/tessdata/） - 检查路径：
pytesseract.pytesseract.tesseract_cmd = "/usr/bin/tesseract"（Linux 路径通常不是C:\Program Files\Tesseract-OCR\tesseract.exe）
最常被忽略的是：服务器没装中文字体（如 fonts-wqy-zenhei），导致 tesseract 渲染中文时 fallback 到方块，识别结果全是“口口口”。装完字体还得清缓存：fc-cache -fv。
