票证 · 发票 / 票据

发票 PDF 字段提取

【财友云】从带文本层的数电票/增值税发票 PDF 抽取号码代码日期购销方金额税率税额,无文本层直接拒绝。适用于OCR、票证、财务等场景,核心能力覆盖批量抽发票内容、发票 PDF 转表格、数电票解析。

已上线 P1 L0

发票 PDF 字段提取

【财友云】从带文本层的数电票/增值税发票 PDF 抽取号码代码日期购销方金额税率税额,无文本层直接拒绝。适用于OCR、票证、财务等场景,核心能力覆盖批量抽发票内容、发票 PDF 转表格、数电票解析。

这个包已上线。正文与用法以下方随包 SKILL.md 为准;安装则去 SkillHub 对应页面 →。装到本地即可离线运行,数据不出电脑。

标签

[发票, PDF, 提取, OCR, 票证, 财务]

技能正文(随包 SKILL.md)

> **本地运行,零网络请求、免 API Key、不主动外发数据。**
> 四项诚实承诺:① 算不出就说算不出,绝不编造数字;② 高危动作强制人工确认;③ 幂等断点,绝不重复副作用;④ 全程留痕可审计。
> 边界说明:本包脚本自身不联网、不外发;若你把内容贴进 AI 对话,内容是否离开本机由你所使用的客户端决定,不由本包决定。
<!-- WB-CLAIM-BOUNDARY v1 -->

# 发票 PDF 字段提取

发票 PDF 是最没结构的数据。它像一张表格,其实是印刷品——文字位置由排版决定,字段靠"左边写着发票号码,右边写着那串数字"这种距离关系定义。

本包用纯标准库把 PDF 内容流解压出来,按顺序还原文本,再按字段关键词抽取。**它只做抽取,不做识别**:抽不到就是抽不到,宁可空着也不猜。扫描件(图片型的 PDF)没有文本层,本包明确告诉你抽不到,不会返回一堆空值假装成功。

## 运行方式

<!-- WB-INVOKE-CONTRACT v1 -->

**环境**:Python 3.8+,**仅标准库,无需安装任何依赖**。

**作用**:发票 PDF 字段抽取(零网络 · 纯标准库 · 无 OCR)

**命令**(在技能目录下执行;`<尖括号>` 是你要替换的输入):

```bash
# 默认预览(不写盘)
python scripts/pdf_extract.py <path>

# 确认无误后正式执行
python scripts/pdf_extract.py <path> --execute
```

**参数**:

| 参数 | 说明 |
|---|---|
| `<path>` | 单个 .pdf 文件或包含 pdf 的目录 |

**选项**:

| 选项 | 说明 |
|---|---|
| `--recursive` | 递归扫描子目录 |
| `--fields FIELDS` | 只输出指定字段,逗号分隔 |
| `--out-dir OUT_DIR` | — |
| `--execute` | 真正写盘;不加则只预览 |
| `--operator OPERATOR` | — |

**退出码**:`0` 成功 / `2` 输入错误 / `3` 鉴权失败 / `4` 环境或依赖失败 / `8` 部分成功。

**输出**:产物写入执行目录,源文件不改动;先跑预览确认,再加 `--execute` 落盘。

## 何时不触发

以下情况**不要**启动本技能,并主动告诉用户该走哪条路:

1. 需求不在上面适用范围之内 → 直接说明本技能不覆盖,不要硬套流程凑出结果。
2. 缺少必要输入(参数、文件、授权、前置数据)→ 先向用户索取,不要自行假设默认值开跑。
3. 用户只是随口一问、要一个即时结论 → 直接回答,不要启动完整流程。
4. 同一任务上一轮已产出、用户未要求变更 → 复用上次产物,不重复执行。
5. 触发条件只是勉强沾边 → 宁可不触发。误触发一次的成本高于漏触发一次。

## 工作流(编号阶段)

| 阶段 | 做什么 | 产物 | 闸门 |
|---|---|---|---|
| 一 | 输出四件套(每次运行必有) | 草稿文件(落盘) | 前置输入齐备、前置条件满足;缺参数先索取,不要假设默认值 |
| 二 | 环境准备 | 草稿文件(落盘) | 上一阶段产物已可用且通过检查;否则退回上一阶段重做 |
| 三 | 用法 | 草稿文件(落盘) | 上一阶段产物已可用且通过检查;否则退回上一阶段重做 |
| 四 | 抽取规则 | 草稿文件(落盘) | 上一阶段产物已可用且通过检查;否则退回上一阶段重做 |
| 五 | 扫描件怎么处理 | 草稿文件(落盘) | 上一阶段产物已可用且通过检查;否则退回上一阶段重做 |
| 六 | 安全与边界(拒绝权) | 草稿文件(落盘) | 上一阶段产物已可用且通过检查;否则退回上一阶段重做 |
| 七 | 做完怎么算完成 | 草稿文件(落盘) | 必含字段齐全;缺一项不进入下一阶段,先补齐再往下走 |

> 按顺序推进;上一阶段闸门没过,不进入下一阶段。

## 输出四件套(每次运行必有)

| 文件 | 内容 |
|---|---|
| `pdf_主表.csv` | 每个文件一行:文件名 + 各字段 + `低置信字段` 标记 |
| `pdf_异常表.csv` | 抽取失败的文件与原因(无文本层 / 结构不符 / 必填字段缺失) |
| `pdf_校验表.csv` | 抽取字段清单、置信度、原文字片段样本、人工复核声明 |
| `fin-log.jsonl` | 处理日志(追加) |

### 单文件

```bash
pdf_extract.py 发票_2026.pdf
```

真实输出:

```
方案:发票_2026.pdf | 页数=1 | 文本片段=47
  发票代码    =(未抽到)
  发票号码    24312000000000012345
  开票日期    2026-09-08
  购买方名称  深圳市某某科技有限公司
  销售方名称  广州某某物资有限公司
  金额        (未抽到)
  税率        13%
  税额        (未抽到)
  开票金额    22600.00
  校验码      0
  ⚠ 未抽到字段:金额、税额  —— 版面可能不标准,请人工核对
```

### 批量目录

```bash
pdf_extract.py ./发票目录 --out-dir _out
```

目录下所有 `.pdf` 一并处理,子目录用 `--recursive` 开启。

### 只要某些字段

```bash
pdf_extract.py ./发票目录 --fields 发票号码,开票日期,开票金额,销售方名称
```

## 抽取规则

| 字段 | 关键词 | 形态 |
|---|---|---|
| 发票代码 | 发票代码 | 10–12 位数字 |
| 发票号码 | 发票号码 / 电子发票号码 | 15–20 位数字 |
| 开票日期 | 开票日期 | `2026年09月08日` / `2026-09-08` / `20260908` |
| 购买方名称 | 购买方名称 / 购方名称 | 其后同一行的文本 |
| 销售方名称 | 销售方名称 / 销方名称 | 同上 |
| 税率 | 税率 / 征收率 | 数字或百分数 |
| 税额 | 税额 | 两位小数 |
| 开票金额 | 小写金额 / 合计金额 | 两位小数 |

**字段名与值之间隔了很远的排版距离**——本包按"关键词之后最近的一个数字/文本块"取值。这在标准版式下可靠,在自定义模板下会错。所以凡是关键字段没抽到,一律标记为「未抽到」而不是就近抓一个。

## 扫描件怎么处理

扫描 PDF 里全是图像,没有文本流。本包检测到这种情况会:

```
【算不出】发票_扫描件.pdf 没有可提取的文本流(很可能是扫描件或图片型 PDF)
建议:用带文本层的 PDF;或用 OCR 工具先转文本层。本包不做 OCR,也不会返回空字段冒充成功。
```

## 安全与边界(拒绝权)

- **文件零改动**:只读取,不写回
- **不做 OCR**:图片型 PDF 拒绝,转交专业工具
- **不猜字段**:抽象不到就写「未抽到」,绝不就近抓数字凑数
- **可核对**:校验表里附上抽取到的原始文本片段,你能直接比对

## 人工复核(必读)

- 抽取结果**必须与原票核对**再做台账,尤其是金额与税额
- 自定义模板的发票错误率会明显上升,建议先跑 3–5 张人工核对再批量
- 发票涉及税务合规,任何字段存疑都应退回原件确认

## 相邻路线转交

| 用户要做的事 | 转交给 |
|---|---|
| 扫描件转文本 | 外部 OCR 工具(本包不做) |
| 抽完批量改名 | `invoice-batch-rename` |
| 抽完查重 | `caiyouyun-invoice-duplicate-check` |
| 抽完做台账汇总 | `caiyouyun-invoice-book` |

## 可直接复制的说法

```text
把这个目录下的发票 PDF 都抽一遍字段,号码、代码、开票日期、购方、销方、金额、税率、税额。
拿到数字就行,版式不对没抽到的直接标"未抽到",别就近抓一个数字凑上。
扫描件(没有文字的那种)单独列出来告诉我抽不了。
```

## 做完怎么算完成

- [ ] 每张票的关键字段都有值,或明确标了「未抽到」
- [ ] 数字字段与原票逐张核对过
- [ ] 扫描件已在异常表里列出
- [ ] 异常表里没有"原因不明"的空缺

---

本 Skill 采用 BUSL-1.1 许可(源码可见,可自由使用)。

版权所有 © 2026 律令科技(深圳)有限公司(@lexord-technology)。
本技能由律令科技(深圳)有限公司开发,**财友云(caiyouyun.cn)**发布与展示。

允许个人及企业内部免费使用、复制、修改,包括内部生产环境。
未经书面许可,不得将本 Skill 或其修改版作为商业服务对外销售、转售或提供托管服务。
各版本发布之日起 4 年后自动转为 Apache License 2.0。详见随包 `LICENSE.md`。

## 输出规范

- **交付形态**:文件落盘,不只在对话里吐文本。
- **落盘路径**:当前工作目录下的 `outputs/`;用户另有指定时从其指定。
- **文件命名**:`caiyou-invoice-pdf-extract-<YYYYMMDD>-<内容摘要>.<扩展名>`,摘要用 2–4 个英文或拼音词,不用中文空格。
- **必含字段**:结论 / 依据 / 数据来源或输入文件 / 生成时间。
- **自检**:以上任一字段缺失,视为未完成交付,补完再给用户。

## 免责声明

本技能输出的是**数据整理与流程辅助**,不构成投资建议、税务意见或审计结论。涉及具体决策,以持牌机构、执业税务师/会计师的正式意见为准;引用的税率、法规与官方数据以最新公示版本为准,如遇更新以官方口径为准。

---

版本:v0.1.3 · 出品:【财友云】

## 反例对照(避开这些写法)

| ❌ 反例 | ✅ 正例 | 判据 |
|---|---|---|
| 输出空泛,去掉专有名词后套到任何场景都成立 | 含具体数据、时间、名称、金额等可验证细节 | 把专有名词遮掉,句子是否还成立?成立就是空泛 |
| 直接甩一版成品让用户自己挑 | 先确认目标受众与用途,再产出;必要时给 2 版并说明差异 | 产出前能否说清「给谁看、要它做什么」 |
| 全篇一个语气、没有节奏 | 按内容节奏分层:结论前置、论据支撑、收尾给动作 | 读一遍,有没有一处让读者停下来 |
| 编造数据或案例凑内容 | 算不出就说算不出;没有来源就标「未证实」 | 每个数字能否指回来源 |

<!-- WB-SELFCHECK v1 -->

## 交付前自检(必跑)

本包自带可执行自检脚本。**在交付 / 打包 / 发布之前,必须运行并通过**:

```bash
python scripts/selfcheck.py
```

退出码语义(与本节末尾「退出码(脚本契约)」一致):

| 码 | 含义 | 你要做的事 |
|---|---|---|
| 0 | 全部通过 | 可以交付 |
| 2 | 用法错误 | 检查运行路径,用包根目录下 `scripts/selfcheck.py` |
| 3 | **门禁未通过** | 按 FAIL 项逐条修好再交付,**不要带病交付** |
| 4 | 环境问题 | 检查 Python 版本(需 3.8+)与入口脚本是否可运行 |
| 8 | 部分通过 | 无 FAIL,但有 WARN;建议先修警告项再交付 |

自检覆盖:SKILL.md 与 frontmatter(`name`·`description`)/ 合规声明(frontmatter `license` **或** `ATTRIBUTION.md`,二者其一即可——第三方转化包常以后者记录归属)/ 必备章节 / 打包卫生(禁止 .pyc·__pycache__·.bak·.zip)/ 脚本可编译 / 入口脚本 `--help` 可运行。
<!-- /WB-SELFCHECK -->

## 退出码(脚本契约)

| 码 | 含义 | 你要对用户说的话 |
|---|---|---|
| 0 | 成功 | 直接给结果,不解释过程 |
| 2 | 输入错误(缺参数 / 格式不对 / 文件不存在) | 「你给的 <X> 不对,需要 <Y>」—— 说明正确格式,不要猜默认值硬跑 |
| 3 | 鉴权/授权失败(密钥缺失、无权限) | 「需要你先提供 <凭据>」—— 说明去哪里拿,不要跳过鉴权 |
| 4 | 服务/环境失败(网络不可用、依赖缺失) | 「这一步依赖 <X> 不可用」—— 给出替代路径或降级方案 |
| 8 | 部分成功(有成功项也有失败项) | 「N 项成功、M 项失败」—— 逐条列出失败项与原因,不要只报总数 |

脚本退出非 0 时:**不要静默重试**。先把该码对应的话告诉用户,再决定是补齐输入重试、还是换路径。

## 状态与断点

- 多阶段流程在执行目录写 `outputs/.state.json`,记录「当前阶段 + 已完成产物路径 + 时间」。
- **每个阶段结束后写一次**;中途中断后重启,先读该文件,从断点阶段继续,**不从头重跑**。
- 状态文件只记阶段与产物路径,不记对话内容、不记敏感数据。
- 发现状态文件与实际情况不符(产物已不存在)时,以实际产物为准并重置状态。
这个包已在 SkillHub 上线,可一键安装。
在 SkillHub 上查看完整说明、版本记录与安装方式,支持一键装到你的 AI 客户端。

常见问题

按真实会被问到的顺序排,每条答案都给得出可核对的依据,不含含糊其辞的部分。

发票 PDF 字段提取 这个技能,具体能帮我做什么?

【财友云】从带文本层的数电票/增值税发票 PDF 抽取号码代码日期购销方金额税率税额,无文本层直接拒绝。适用于OCR、票证、财务等场景,核心能力覆盖批量抽发票内容、发票 PDF 转表格、数电票解析。

常见的触发场景有:这张发票的号码金额是多少、从 PDF 里把发票信息提出来、批量抽发票内容。

完整说明、版本记录和安装方式在 SkillHub 上的「发票 PDF 字段提取」页面 →。

跑完之后我会拿到什么东西?

输出会落在 _out/ 目录,主要包括:

1.pdf_主表.csv每个文件一行:文件名 + 各字段 + 低置信字段 标记
2.pdf_异常表.csv抽取失败的文件与原因(无文本层 / 结构不符 / 必填字段缺失)
3.pdf_校验表.csv抽取字段清单、置信度、原文字片段样本、人工复核声明
有没有算不了、它明确拒绝的情况?

有。下面几种情况它会明确拒绝,而不是硬给答案:

不做 OCR:图片型 PDF 拒绝,转交专业工具
不猜字段:抽象不到就写「未抽到」,绝不就近抓数字凑数

总之是算不出就说算不出,不会给你一个看着合理、实际没依据的数字。

用之前我得注意什么?容易踩哪些坑?

这几条是设计时就写进去的口径,不知道会直接算错,不是「留意一下」那种套话:

·字段名与值之间隔了很远的排版距离:本包按"关键词之后最近的一个数字/文本块"取值。
跑完的数能不能直接用?我还要核什么?

不能直接拿去报。它给的是建议和依据,最终判断还是得你来做。下面这几条是它要求你逐条过的:

·抽取结果必须与原票核对再做台账,尤其是金额与税额
·自定义模板的发票错误率会明显上升,建议先跑 3–5 张人工核对再批量
·发票涉及税务合规,任何字段存疑都应退回原件确认
如果我的情况不一样,有没有更对口的技能?

有。如果当前技能不是最合适的,可以试试同库的兄弟包:

抽完批量改名发票文件批量命名

这些包都能本地离线跑。

数据会不会传出去?我自己怎么验证?

不会。运行时不发一个网络包。你自己就能验证,三条路任选:

把网断掉再跑一遍,功能照常——它本来就没打算联网。

打开包里的 SKILL.md,权限声明写的是 network: none,不声明就没有联网能力。

直接翻 scripts/ 下的源码,全站都是 Python 标准库写成,没有一行网络代码。

要付费吗?要不要配 API Key?

都不要。免费使用,不需要任何 API Key,不联网就不需要 Key,也不存在额度这回事。开源协议 BUSL-1.1,发布满 4 年后自动转为 Apache License 2.0。

装上之后怎么用?

安装后,在支持 SkillHub 的 AI 客户端(如 WorkBuddy)里直接使用即可。

触发方式:对话里提到「这张发票的号码金额是多少、从 PDF 里把发票信息提出来、批量抽发票内容」等场景,或上传相关表格/凭证,它就会自动响应。

典型用法:把原始文件发给 AI,说『帮我跑 发票 PDF 字段提取』或『处理一下这个』,结果会输出到当前目录的 _out/pdf_主表.csv。

也可以从客户端的「已安装技能」列表里手动唤起。

什么环境能跑?需要装依赖吗?

Windows / macOS / Linux 都能跑,不需要 pip install 任何东西。

运行只依赖 Python 3 标准库:全站 345 个脚本的首行都是 #!/usr/bin/env python3,没有第三方依赖,也就没有环境冲突要调。

装在哪个客户端上?会不会弄坏我原来的文件?

在 SkillHub 上一键安装即可,主流 AI 客户端都能装。运行是只读 + 输出到 _out/,你原来的账套和表格一个字节都不会被动。

相邻技能

规划中 P2 票证

合同财务审核

【财友云】财务视角审合同:把合同关键要点(检查项/约定内容/金额/比例/时点)按内置"财务审合同维度库"逐条核验完整性、一致性(付款比例合计=100%)、缺失必填项(发票/税率、违约等),输出风险等级与提示;支持导出标准审核清单。

规划中 P2 票证

合规自保工具包

【财友云】财务人/企业常见合规风险点(私户收款、虚开发票、两套账、社保挂靠、阴阳合同等)逐条给风险等级+自保动作+红线;严守"只提示不辩护、涉嫌违法明确拒绝"边界。

规划中 P2 票证

跨境电商退免税适配

【财友云】按「监管方式(9610/9710/9810/1210)+ 有无进项发票 + 是否综试区内」逐条判定跨境电商出口适用的退免税路径(退税 / 免税 / 征税),给出关键条件、政策依据文件与风险提示;信息不足或条件冲突的一律进异常表,写清缺什么、为什么不能判,绝不猜一个路径。适用于跨境电商出口税务定性、申报前路径确认、代账交接梳理等场景。政策为离线规则快照、版本可查,运行时零联网。

规划中 P2 票证

电子凭证归集路径规则包

【财友云】11 类电子凭证的识别特征、正确归档路径与必备要素规则库,作为原件核对与四性检测的判定规则来源。

规划中 P2 票证

差旅行程单专项整理

【财友云】批量整理铁路电子客票、航空运输行程单、通行费电子发票,提取字段并给出抵扣口径提示(本地处理、含个人信息)。

规划中 P1 票证

发票合规预检

必填字段、金额勾稽、备注栏与清单发票规则校验

规划中 P2 票证

发票查重·同票多形态版

【财友云】先做文件层归并(XML/OFD/PDF/扫描件→同一张票),再跨月、跨报销人、跨主体检测重复,输出重复组清单与差额。

规划中 P2 票证

凭证异常模式扫描

【财友云】在查重之上扩展异常模式:同金额同开票方不同号、连号集中报销、开票晚于报销、多笔小额、红冲作废、跨主体同票号。

规划中 P2 票证

数电票原件核对器

【财友云】扫描文件夹,逐个判定文件的「原件等级」(含签名XML/导出OFD/PDF预览件/截图/打印件),输出缺原件清单与补取路径。