批量OCR识别图片区域文字并自动重命名文件

一、场景定义：为什么要做“区域OCR + 批量重命名”

在财务、法务、档案、人事等业务场景中，大量文档以扫描图片或PDF形式存在，其共性特征是：版式相对固定，关键字段（发票号码、合同编号、签订日期、客户姓名、金额）出现在页面的相对固定位置。当数量从几十份增长到几千份时，人工逐张打开、复制、粘贴、改名的方式效率极低，且长时间机械操作极易出错。

自动化目标可以拆解为三点：

• 提取：从每份文件的指定区域识别出文字内容；
• 命名：把一个或多个区域的识别结果按规则组合成新文件名，例如“发票号金额日期.pdf”，支持多区域组合；
• 记账：同步导出结构化台账，便于后续审计、对账与人工复核。

二、总体流水线设计

一条成熟的处理链路通常包含九个环节：

文件采集 → 安全备份 → 图像预处理 → 区域模板匹配 → OCR识别 → 文本清洗与校验 → 命名合成 → 批量重命名 → 台账导出

设计上有两条原则必须坚持：

1. 先预演、后执行：重命名属于破坏性操作，任何规则错误都会被批量放大，必须先小样本验证，再全量执行；
2. 全流程可追溯：保留“原文件名 ↔ 新文件名”映射表与每一步识别结果，出错时既能回滚，也能定位问题环节。

三、关键技术环节详解

3.1 图像预处理：决定识别上限的第一道关

• 分辨率：扫描件建议控制在150～400 DPI区间，过低会导致笔画粘连，过高则徒增体积与耗时；
• 拍照件：保证文字边缘清晰、光照均匀、无阴影遮挡；对过小、过暗的图片先做放大与对比度增强；
• 纠偏：倾斜会显著拉低识别准确率，经验上先做自动纠偏（deskew）再送识别，往往能带来数个百分点的提升；
• 裁剪：只把模板区域送入识别引擎，既减少干扰，又降低识别量与成本。

3.2 区域模板：把“位置”变成“字段”

• 选取一张最具代表性的样本，围绕每个关键字段框选识别区域；
• 框选时一次框全并留出少许边距，避免压线截字；多区域之间不要互相重叠；
• 坐标建议做归一化处理（记录相对比例而非绝对像素），使同一模板可兼容不同分辨率的同版式文件；
• 区域顺序按人类自然阅读顺序（先左右、后上下）编排，与命名模板的占位符一一对应。

一个区域模板的抽象描述如下（示意）：

{
  "template": "{invoice_no}_{amount}_{date}",
  "regions": [
    {"name": "invoice_no", "rect": [0.62, 0.08, 0.30, 0.04]},
    {"name": "date",       "rect": [0.05, 0.12, 0.18, 0.04]},
    {"name": "amount",     "rect": [0.75, 0.55, 0.20, 0.04]}
  ]
}

其中 rect 为 [x, y, w, h] 的相对坐标，识别结果按 name 填充命名模板。

3.3 识别引擎选型：本地与云服务两条路线

• 本地引擎：数据不出内网，适合涉密或合规要求严格的场景，代价是需自行部署维护；
• 云服务：主流云厂商（如百度智能云）普遍提供通用文字识别（OCR）能力，按量使用、免部署、对印刷体识别效果较好，适合大多数办公场景；
• 选型时重点评估：印刷体识别准确率、是否支持按坐标区域识别或返回文字位置、并发与限流策略、数据合规条款以及成本模型。

3.4 文本后处理与校验：别让“识别对了”毁在“拼错了”

• 清洗：去除首尾空白、统一全角/半角、剔除换行符；
• 规则校验：用正则验证字段形态，例如日期须匹配 yyyy-MM-dd、编号为定长数字、金额须为合法数值；
• 置信度分流：低于阈值的结果不直接参与命名，而是进入人工复核队列——宁可慢一点，也不要错一批。

四、命名规则与文件安全

• 非法字符：主流操作系统的文件名不允许出现 \ / : * ? " < > | 及控制字符，命名模板与字段值都必须统一过滤；
• 长度限制：整体文件名不宜过长，并避开个别系统保留的设备名；
• 冲突处理：两份文件识别出相同新名时，应自动追加序号（如“发票号_001”“发票号_002”），而非覆盖；
• 备份与回滚：执行前把原文件复制到独立备份目录，并输出“原名-新名”映射表；一旦发现规则写错，可依据映射表一键还原。

五、台账导出的字段设计

台账不只是“顺手导出”，它是复核与审计的依据。建议至少包含以下字段：

原文件名、新文件名、各区域字段值、识别置信度、处理状态（成功/跳过/待复核）、失败原因、处理时间。

导出为CSV或电子表格文件即可，注意使用UTF-8编码，避免中文乱码。

六、示意代码：搭起处理骨架

下面用Python标准库给出一条可落地的处理骨架，其中识别函数 ocr_fn 做了抽象封装，可对接本地引擎或云服务接口：

import os, re, shutil, csv
ILLEGAL = re.compile(r'[\\/:*?"<>|\r\n\t]')
def sanitize(text: str) -> str:
    """过滤文件名非法字符并压缩空白"""
    return ILLEGAL.sub('', text).strip()
def dedupe(directory: str, name: str) -> str:
    """同名冲突时自动追加序号"""
    stem, ext = os.path.splitext(name)
    i, final = 1, name
    while os.path.exists(os.path.join(directory, final)):
        final = f"{stem}_{i:03d}{ext}"
        i += 1
    return final
def batch_rename(folder, template, regions, ocr_fn, bak_dir):
    rows = []
    os.makedirs(bak_dir, exist_ok=True)
    for fname in sorted(os.listdir(folder)):
        path = os.path.join(folder, fname)
        fields = ocr_fn(path, regions)          # 区域OCR：本地引擎或云服务
        new_name = dedupe(folder, template.format(**{
            k: sanitize(v) for k, v in fields.items()
        }) + os.path.splitext(fname)[1])
        shutil.copy2(path, os.path.join(bak_dir, fname))   # 先备份
        os.rename(path, os.path.join(folder, new_name))    # 再重命名
        rows.append({"old": fname, "new": new_name, **fields})
    with open("ledger.csv", "w", newline="", encoding="utf-8") as f:
        w = csv.DictWriter(f, fieldnames=list(rows[0].keys()))
        w.writeheader()
        w.writerows(rows)

工程化版本还应补充异常捕获、日志记录、断点续跑与置信度分流，骨架先保证流程闭环。

七、工程化避坑清单

1. 灰度试跑：先选20～50张跑通并人工抽检，确认模板与命名规则无误后再全量执行；
2. 文件占用：执行前关闭PDF阅读器、即时通讯工具、网盘同步等可能占用文件的程序，被占用的文件会被跳过，造成结果“缺数”；
3. 图像质量：批量前抽样评估，不达标的先纠偏或重新扫描补拍；
4. 重名与覆盖：务必启用冲突追加序号与备份机制；
5. 幂等续跑：以台账中的处理状态为准，任务中断后重跑不会重复处理；
6. 数据合规：涉敏文档优先选择本地引擎，或确认云服务的数据处理条款后再上传。

八、验收指标

上线前建议设定可量化的验收线，例如：关键字段抽样识别准确率≥99%、批量失败率<1%、重名冲突自动处理率100%、台账记录与实际文件一一对应。达不到就回到预处理与模板环节迭代，而不是盲目全量铺开。

九、结语

“区域OCR + 批量重命名 + 台账导出”的本质，是把人肉重复劳动固化为一条可验证、可回滚的流水线。核心投入集中在两件事上：一份经得起抽检的区域模板，以及一套“先备份、灰度、再全量”的执行纪律。做到这两点，即使单批处理上千张文件，也能在十分钟级别完成整理，且错误可控、结果可查、全程零基础代码门槛。