扫描发票批量转 Excel：怎样发现漏文件和重复汇总？

收到一批扫描发票，转换出来的 Excel 都能打开，仍然可能有两类问题：某张发票没有成功处理，却没出现在结果里；同一文件重试后出现两份结果，汇总时被算了两次。

批量处理不能只交付一张总表。先保留每个来源文件的转换状态、独立结果和核对记录，再生成汇总，才能回答“这行来自哪张发票”和“这一批还有哪些没完成”。下面是一套读者可以用自己的文件检查的方法，不把转换结果当作自动审核结论。

先判断需要整页表格，还是固定字段

如果目标是把扫描页转成可编辑表格，先用一份有权处理、已去除姓名、账号等敏感信息的文件，检查文字、表格和工作表结构。ComPDF 的PDF 转 Excel 接口支持 OCR 配置及工作表组织方式；扫描页应按实际输入启用 OCR，不能沿用纯文字 PDF 的设置后假定文字已经读出。

接口文档列出的 enableOcr、ocrRecognitionLang、ocrOption 与 excelWorksheetOption 用途不同：前几项影响识别，最后一项决定按表格、页或整份文档组织工作表。先确定接收人如何核对，再选择方式。不要把“每个表格一个工作表”解释成“每张发票必定只有一个工作表”。

如果目标只是发票号码、开票日期和金额等固定字段，需要另行定义字段和来源关系。整页转 Excel 不等于自动生成适合业务系统的发票记录；多个版式的字段映射、明细与总额关系仍须处理。

批次清单先于汇总表建立

每份输入保留独立记录。至少包含文件 ID、文件名、源文件摘要、任务 ID、处理状态、结果位置和核对状态。重试时更新同一输入的处理尝试，保留历史，不额外新增一份业务输入。

例如三份教学记录可以这样组织：

每份扫描发票保留独立处理和核对状态

图：教学记录示意，状态由应用定义。

这里的字段和状态由应用定义，不是接口自动返回的审批结果。F03 虽然转换成功，也不能把它记成已经完成复核；F02 更不能因为没有结果行，就从批次里消失。

汇总前，检查每个输入是否只出现一次

下面的 Python 3 代码只演示批次完整性判断，不调用 OCR、不判断真实发票，也不执行财务处理。expected 是本批应处理的来源文件 ID，results 是业务核对完成后准备进入汇总的记录。

from collections import Counter

expected = {"F01", "F02", "F03"}
results = [
    {"source_id": "F01", "review": "approved"},
    {"source_id": "F03", "review": "pending"},
    {"source_id": "F01", "review": "approved"},
]
counts = Counter(row["source_id"] for row in results)
missing = sorted(expected - set(counts))
unknown = sorted(set(counts) - expected)
duplicated = sorted(key for key, value in counts.items() if value > 1)
unreviewed = sorted({row["source_id"] for row in results
                     if row["review"] != "approved"})
issues = {"missing": missing, "unknown": unknown,
          "duplicated": duplicated, "unreviewed": unreviewed}
print(issues)
if any(issues.values()):
    print("批次尚未通过检查，请处理异常后再汇总。")
else:
    print("来源记录完整；还需核对字段与金额后交付。")

示例会找出 F02 缺失、F01 重复、F03 未核对。它检查的是“每份输入应产生一条汇总记录”的设计；如果一份文件包含多张发票，先给每张发票建立子记录，再用子记录 ID 检查，不能直接套用这个一对一关系。

同一输入 ID 重复与两份不同文件包含同一张发票，也不是同一问题。后者需要结合发票类型、号码、日期、开票方及原文判断，不能只凭某一个数字相同就自动删除。

金额和号码，回到原文核对

发票号码先按文本保留，不能为了计算将它转成浮点数。日期格式、空值与数字零分别处理，缺失金额也不能补零后继续参与总计。

金额要区分明细、不含税金额、税额和价税合计；不同币种不要直接相加。转成 Excel 后，检查小数点、负号、千分位和合并单元格，尤其是低清晰度扫描件中的小字。若要做金额一致性检查，应先明确本批采用的金额字段和舍入规则。

将待核对项放进异常清单，而不是静默修正。对每个修改保留来源文件、页码或原文位置以及修改说明，接收人才能回查。

用一批小文件检查，再扩大数量

第一轮可以准备三份具有不同版式的文件，至少包含一份扫描件和一份多页文件。先逐份完成转换并保存结果，再人为制造一个失败、一次重试和一条重复汇总，确认批次清单能发现它们。

交付时保留原文件、逐文件结果、汇总表和异常清单之间的对应关系。用户需要回查时，应能从汇总记录定位到来源，而不是重新搜索整个上传目录。

ComPDF 在这条链路里承担 PDF 到可编辑表格的转换与 OCR；应用负责来源追踪、重试与汇总，业务人员依据原文完成必要核对。先把漏文件和重复记录显式呈现出来，再考虑提高批量速度，结果才更容易解释和复查。