票据OCR提取识别系统产品系统

立项原因：企业差旅报销时，财务人员需逐张人工核对机票行程单上的旅客姓名、身份证号、航班号、金额等信息并录入 Excel，效率低下且易出错。本项目旨在通过 OCR 技术自动识别机票 PDF行程单的关键字段，批量提取并导出为结构化表格，解决人工录入耗时、易遗漏、难查重的问题。

业务背景：适用于企业差旅管理、财务报销审核、旅行社订单核验等场景。员工出差后提交电子机票行程单PDF，财务系统需快速提取关键信息并校验发票号码是否重复，确保报销合规。

核心模块：
① PDF 文件上传（支持拖拽/选择，自动重命名防冲突）；
② 坐标定位 OCR 提取——对机票 PDF 的 11 个关键字段区域（旅客姓名、身份证号、航班号、出发地、到达地、合计金额、出发日期、填开日期、电子客票号码、发票号码、发票类型）进行精确定位文本提取；
③文本清洗——去除换行符、点号、冒号等噪声；
④ 批量处理与 Excel 导出——多张机票同时识别，结果汇总为 Excel表格（含是否重复检测）；
⑤ 标记可视化——可在 PDF 上绘制彩色矩形框标注识别区域，便于调试和验证；
⑥重复检测——基于发票号码自动判断是否存在重复报销。

负责独立完成项目开发

技术栈：Flask Web 框架 + PDF 解析 + Pandas 数据处理 + Werkzeug文件安全管理，部署为单机内网服务。

架构亮点：采用硬编码坐标定位方式替代传统 OCR模型，针对电子机票行程单的固定版式直接框选提取区域，避免引入重量级 OCR引擎，轻量高效；文本清洗链去除发票编号中的点号分隔符等噪声；基于发票号码的 duplicated检测实现自动重复报销提醒。

难点攻克：机票 PDF 不同供应商版式略有差异，11 个字段的精确坐标需要反复校准调试；需在document 关闭前完成所有文本提取操作（text extraction beforeclose），处理时序需严格控制；文件名安全处理（secure_filename + 时间戳前缀）防止覆盖与路径穿越。