GLM-OCR实操手册：批量处理100+张发票图片，输出统一JSON格式结构化数据

你是不是也遇到过这样的烦恼？财务部门每个月都要处理上百张发票，一张张手动录入信息，不仅耗时费力，还容易出错。或者，作为开发者，你需要从大量扫描件中提取结构化数据，但传统的OCR工具要么识别不准，要么格式混乱，后续处理起来让人头疼。

今天，我要分享一个实战解决方案：用GLM-OCR模型，一键批量处理上百张发票图片，直接输出干净、统一的JSON格式数据。整个过程就像把一堆杂乱无章的纸质文件，瞬间变成整齐划一的电子表格，省时省力，准确率还高。

这篇文章，我将手把手带你走通整个流程。从环境搭建、模型启动，到编写一个高效的批量处理脚本，最后教你如何解析和利用这些结构化的JSON数据。无论你是想优化财务流程，还是构建自己的文档自动化系统，这套方法都能直接拿来用。

1. 为什么选择GLM-OCR处理发票？

在动手之前，我们先搞清楚，面对发票识别这个具体任务，GLM-OCR到底强在哪里。

1.1 传统OCR的痛点

你可能用过一些OCR工具或API，它们通常有这些问题：

  • 格式不统一：识别出来的文字是一大段，日期、金额、公司名称混在一起，需要自己写复杂的规则去“抠”出来。
  • 复杂版面抓瞎：发票上可能有表格（如商品清单）、印章、手写备注。普通OCR容易把这些元素的文字混在一起，或者直接忽略。
  • 后期处理麻烦：你需要写大量的后处理代码，进行文本清洗、正则匹配、实体识别，才能得到结构化数据。

1.2 GLM-OCR的“多模态”优势

GLM-OCR不是一个简单的“看图识字”工具。它内置的“多模态理解”能力，让它能像人一样“看懂”文档的布局和逻辑。

  • 理解文档结构：它能区分标题、段落、表格、图章，知道哪些文字属于“销售方”，哪些属于“金额”。
  • 端到端结构化输出：通过精心设计的提示词（Prompt），我们可以直接要求它按我们想要的JSON字段（如 invoice_number, total_amount, date）输出结果，省去中间步骤。
  • 批量处理友好：模型服务一旦启动，就可以通过API持续调用，非常适合编写脚本进行批量处理。

简单说，GLM-OCR把“图像识别”和“信息结构化”两步合并成了一步，这正是处理发票这类格式化文档时我们最需要的。

2. 快速部署与启动GLM-OCR服务

我们的目标是批量处理，所以首先要让模型作为一个服务跑起来。跟着下面的步骤，10分钟内就能搞定。

2.1 环境准备与一键启动

假设你已经在服务器上拿到了GLM-OCR的项目文件。它的目录结构通常是这样的：

/root/GLM-OCR/
├── serve_gradio.py      # 核心服务启动脚本
├── start_vllm.sh        # 一键启动脚本
└── ...                  # 其他配置和文档

启动服务非常简单，只需要一条命令：

# 进入项目目录
cd /root/GLM-OCR

# 执行启动脚本
./start_vllm.sh

运行这个脚本后，它会自动激活所需的Python环境（通常是py310），并启动一个Gradio Web服务。

首次启动时，由于需要从本地缓存加载约2.5GB的模型文件，可能需要等待1-2分钟。看到终端输出类似 Running on local URL: http://0.0.0.0:7860 的信息时，就说明服务启动成功了。

2.2 验证服务是否正常

打开你的浏览器，访问 http://你的服务器IP地址:7860。 你会看到一个简洁的Web界面，可以上传图片，选择任务类型（文本识别、表格识别等）进行测试。这个界面主要用于功能验证和调试，我们批量处理的核心将通过Python API来完成。

确保这个页面能正常打开和交互，我们的“发动机”就算准备就绪了。

3. 编写批量发票处理Python脚本

Web界面一次只能处理一张图，我们要的是批量处理。接下来，我们编写一个Python脚本，这才是自动化的核心。

3.1 脚本核心思路

脚本的逻辑很清晰：

  1. 连接到我们刚刚启动的GLM-OCR服务。
  2. 扫描指定文件夹里的所有发票图片（支持.jpg, .png等）。
  3. 循环处理每一张图片：发送图片和定制化的提示词给模型。
  4. 接收模型返回的结构化文本（JSON格式）。
  5. 保存结果，可以按图片单独存，也可以合并成一个总文件。

3.2 完整脚本代码

创建一个文件，比如叫做 batch_process_invoices.py，然后把下面的代码复制进去。代码里有详细的注释，帮你理解每一步在做什么。

import os
import json
import glob
from gradio_client import Client
import time

class GLMOCRInvoiceProcessor:
    def __init__(self, server_url="http://localhost:7860"):
        """
        初始化处理器，连接到GLM-OCR服务。
        server_url: 你的GLM-OCR服务地址，默认是本地7860端口。
        """
        print(f"正在连接GLM-OCR服务: {server_url}")
        self.client = Client(server_url)
        print("连接成功！")

    def build_invoice_prompt(self):
        """
        构建用于识别发票的提示词（Prompt）。
        这个Prompt是告诉模型“你要做什么、按什么格式输出”的关键。
        这里我们要求模型以JSON格式输出发票的核心字段。
        """
        prompt = """Text Recognition: Please extract key information from this invoice and output in strict JSON format. The JSON must contain the following fields:
        - "invoice_number": (string) The invoice serial number.
        - "date": (string) The issue date of the invoice.
        - "seller": (string) The name of the seller/supplier.
        - "buyer": (string) The name of the buyer/purchaser.
        - "total_amount": (string) The total amount (including tax), with currency symbol if present.
        - "tax_amount": (string) The tax amount.
        - "items": (array of objects) A list of purchased items. Each item should have "description", "quantity", "unit_price", and "amount" fields.
        Extract only the information clearly present in the invoice. If a field is not found, set its value to null.
        Output JSON only, no other text.
        """
        return prompt

    def process_single_image(self, image_path):
        """
        处理单张发票图片。
        image_path: 发票图片的完整路径。
        返回模型识别的原始结果（字符串）。
        """
        print(f"正在处理: {os.path.basename(image_path)}")
        try:
            # 调用Gradio客户端的predict方法，传入图片路径和定制化的Prompt
            result = self.client.predict(
                image_path=image_path,
                prompt=self.build_invoice_prompt(),
                api_name="/predict"  # 这是Gradio服务定义的API端点
            )
            # result 是一个字符串，里面应该包含我们要求的JSON
            return result
        except Exception as e:
            print(f"处理图片 {image_path} 时出错: {e}")
            return None

    def process_batch(self, image_folder, output_folder="./results"):
        """
        批量处理一个文件夹内的所有发票图片。
        image_folder: 存放发票图片的文件夹路径。
        output_folder: 结果保存的文件夹路径。
        """
        # 创建保存结果的文件夹
        os.makedirs(output_folder, exist_ok=True)

        # 查找文件夹下所有常见的图片文件
        image_extensions = ['*.jpg', '*.jpeg', '*.png', '*.webp']
        image_paths = []
        for ext in image_extensions:
            image_paths.extend(glob.glob(os.path.join(image_folder, ext)))

        print(f"在文件夹 '{image_folder}' 中找到 {len(image_paths)} 张图片。")
        if not image_paths:
            print("未找到图片文件，请检查路径和文件格式。")
            return

        all_results = []
        for i, img_path in enumerate(image_paths):
            print(f"\n--- 进度 [{i+1}/{len(image_paths)}] ---")
            raw_result = self.process_single_image(img_path)

            if raw_result:
                # 尝试从返回的文本中解析JSON。模型可能返回一些额外文本，我们需要找到JSON部分。
                json_str = self._extract_json_from_result(raw_result)
                if json_str:
                    try:
                        data = json.loads(json_str)
                        # 为每条数据添加来源文件名
                        data["source_file"] = os.path.basename(img_path)
                        all_results.append(data)

                        # 将单张图片的结果保存为独立的JSON文件
                        output_file = os.path.join(output_folder, f"{os.path.splitext(os.path.basename(img_path))[0]}.json")
                        with open(output_file, 'w', encoding='utf-8') as f:
                            json.dump(data, f, ensure_ascii=False, indent=2)
                        print(f"结果已保存至: {output_file}")
                    except json.JSONDecodeError as e:
                        print(f"解析JSON失败: {e}。原始返回：{raw_result[:200]}...")
                else:
                    print(f"未能从返回结果中提取JSON。原始返回：{raw_result[:200]}...")
            # 为避免请求过快，可以添加短暂间隔（可选）
            # time.sleep(0.5)

        # 将所有结果合并保存到一个总文件中
        if all_results:
            summary_file = os.path.join(output_folder, "all_invoices_summary.json")
            with open(summary_file, 'w', encoding='utf-8') as f:
                json.dump(all_results, f, ensure_ascii=False, indent=2)
            print(f"\n所有处理完成！批量处理摘要已保存至: {summary_file}")
            print(f"共成功处理 {len(all_results)} 张发票。")

    def _extract_json_from_result(self, text):
        """
        一个简单的辅助函数，从模型返回的文本中提取JSON字符串。
        模型通常会把JSON包裹在 ```json ... ``` 标记中，或者直接输出。
        """
        # 尝试查找代码块标记
        import re
        json_code_block = re.search(r'```(?:json)?\s*(.*?)\s*```', text, re.DOTALL)
        if json_code_block:
            return json_code_block.group(1).strip()
        # 如果没有标记，尝试直接查找第一个 { 和最后一个 }
        start = text.find('{')
        end = text.rfind('}')
        if start != -1 and end != -1 and end > start:
            return text[start:end+1]
        # 如果还是找不到，返回原始文本（可能它直接就是JSON）
        return text.strip()

# 使用示例
if __name__ == "__main__":
    # 1. 初始化处理器
    processor = GLMOCRInvoiceProcessor("http://localhost:7860") # 确保这里的地址和你的服务匹配

    # 2. 指定你的发票图片文件夹路径
    invoice_images_folder = "/path/to/your/invoice/images"  # 请修改为你的实际路径

    # 3. 运行批量处理，结果会保存在当前目录下的 `results` 文件夹里
    processor.process_batch(invoice_images_folder)

3.3 如何运行这个脚本

  1. 将脚本中的 /path/to/your/invoice/images 替换成你存放上百张发票图片的真实文件夹路径。
  2. 在终端中，确保你和脚本在同一个目录下，并且GLM-OCR服务正在运行（http://localhost:7860 可访问）。
  3. 运行脚本： 
    python batch_process_invoices.py

然后，你就能看到终端滚动着处理进度，results文件夹里会生成两个文件：每一张发票对应的独立.json文件，以及一个汇总了所有发票数据的all_invoices_summary.json。

4. 解析与使用结构化JSON结果

模型不是万能的，输出可能需要微调。我们来看看怎么理解和优化这些结果。

4.1 结果示例与解读

处理一张发票后，你可能会得到这样一个JSON文件：

{
  "invoice_number": "INV-2023-08472",
  "date": "2023年11月15日",
  "seller": "上海某某科技有限公司",
  "buyer": "北京某某设计事务所",
  "total_amount": "¥8,850.00",
  "tax_amount": "¥1,050.00",
  "items": [
    {
      "description": "专业软件授权许可（一年期）",
      "quantity": "2",
      "unit_price": "¥3,900.00",
      "amount": "¥7,800.00"
    },
    {
      "description": "技术咨询服务",
      "quantity": "1",
      "unit_price": "¥1,050.00",
      "amount": "¥1,050.00"
    }
  ],
  "source_file": "invoice_sample1.jpg"
}

这个结构非常清晰，可以直接导入到数据库（如MySQL、MongoDB），或者用Pandas加载进行分析：

import pandas as pd
import json

with open('./results/all_invoices_summary.json', 'r', encoding='utf-8') as f:
    data = json.load(f)

# 将数据转换为DataFrame
df = pd.DataFrame(data)
print(df[['invoice_number', 'date', 'seller', 'total_amount']].head())

# 计算总金额统计
df['total_amount_num'] = df['total_amount'].str.replace('¥', '').str.replace(',', '').astype(float)
print(f"发票总张数: {len(df)}")
print(f"总金额: {df['total_amount_num'].sum():.2f}")

4.2 优化识别效果的实用技巧

如果发现某些字段识别不准，可以尝试以下方法优化：

  1. 精炼你的Prompt：这是最重要的环节。在 build_invoice_prompt 函数里，你可以：

    • 更具体地描述字段：例如 "date": (string) The issue date in 'YYYY-MM-DD' format. 强制格式。
    • 提供例子：在Prompt中加入 Example output: {"invoice_number": "NO.001", ...}，让模型模仿。
    • 分步指令：对于复杂发票，可以尝试让模型先描述版面，再提取信息。

  2. 图片预处理：

    • 确保图片清晰、端正。可以在批量处理前，用OpenCV等库自动进行旋转校正、去噪、提高对比度。
    # 简单的OpenCV旋转校正示例（需安装opencv-python）
import cv2
def preprocess_image(image_path):
    img = cv2.imread(image_path)
    # 这里可以添加灰度化、二值化、旋转检测等代码
    # ...
    return processed_img_path

  3. 后处理校验：

    • 编写简单的规则校验数据，比如检查日期格式、金额是否为数字。对于识别为null的关键字段，可以记录下文件名，后续人工复核。

5. 总结

回过头看，我们用GLM-OCR批量处理发票的流程，其实就三步：启动服务、运行脚本、使用数据。这套方法的核心优势在于：

  • 效率飞跃：从手动录入或传统OCR的半自动化，升级为全自动结构化输出，处理上百张图片从几小时缩短到几分钟。
  • 结果即用：直接获得JSON格式数据，无缝对接后续的财务系统、数据分析平台或数据库。
  • 灵活可调：通过修改Prompt，你可以轻松适配不同格式的发票，甚至扩展到合同、报表等其他文档类型。

当然，任何AI模型都不是百分百准确。对于非常重要的财务数据，我建议将本方案作为“强力辅助”，设置一个验证环节（比如金额超过一定阈值需人工确认），这样既能保证效率，又能控制风险。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

【花雕动手做】行空板 K10 系列实验之人工智能调用语音合成（TTS）模块

avatar AI Agent技术社区
cover

苏州企业AI Agent智能体从概念到落地：2026年开发者必须关注的技术范式与工程实践

avatar AI Agent技术社区
cover

GitHub 狂揽 4万+ Star！这个项目直接让你省下 60–95% 的 Token

avatar AI Agent技术社区