小票字段提取：为什么按行切分会错位

2026-10-16

识别出文字之后，真正的麻烦才开始。OCR 返回的是若干条「文本 + 外框坐标」，而小票是典型的多栏排版：左边商品名，右边价格，中间大量空白。如果按最直觉的方式处理——把 y 坐标接近的文本归为一行——结果会大量错位。

错位是怎么发生的

问题在于商品名和价格不在同一条水平线上。商品名较长时会折成两行，价格只占一行，往往对齐在第二行。这时候按 y 聚类，价格会和商品名的第二行归到一起，第一行落单，最终拼出来的记录是「半个商品名 + 别人的价格」。

用伪代码描述这个直觉做法，问题就很明显：

for box in boxes: rows[round(center_y / line_height)].append(box)

这里隐含了两个假设：所有文本基线对齐、行高固定。小票上这两个假设都不成立。

思路一：先分列，再对齐

既然是多栏排版，就先做列的划分，再做行内配对：

1. 横向投影所有文本框的 x 区间，找出贯穿整页的空白带，用它把页面切成左右几栏。
2. 右栏通常只有价格和数量，左栏是名称。两栏分别按 y 排序。
3. 用纵向重叠率而不是中心点距离做匹配：左栏某个名称块与右栏某个价格块在 y 方向上有重叠，就配成一条记录。

比中心点距离稳，是因为名称折行后中心点会偏，但它的纵向范围仍然覆盖价格那一行。重叠率匹配对折行天然宽容。

思路二：靠金额自己配对

还有一种不看几何、看内容的做法，适合结构更乱的票据：

1. 先用正则把全页所有「形如金额」的文本抽出来，作为候选价格集合。
2. 对每个商品名块，从它右侧最近的候选价格里按顺序取一个。
3. 用合计校验反过来验证配对是否正确：所有配上的金额求和，与票面上的「合计」比对，误差在容差内就认为配对成立。

第三步是关键。小票一定会打印合计金额，这是一个免费的自校验信号。如果求和结果与合计差得远，说明中间有配错或漏配，可以整体回退到另一种策略，或者直接标记为需要人工复核。

只要票据上有可校验的汇总字段（合计、件数、找零），就一定要用它来反验抽取结果。这比调任何模型参数都有效。

两种思路怎么选

我的判断是按票据版式的规整程度分：

• 版式规整、栏目清晰（多数商超小票）：走思路一，几何匹配更直接，不依赖金额正则的准确率。
• 版式混乱、栏目不固定（餐厅结账单、手写补充）：走思路二，靠合计校验兜底，容错性更好。
• 实际工程里通常是两条都实现，先用几何匹配，用合计校验做验证，校验不过再切到金额配对重跑一遍。

还有几个容易被忽略的坑

• 负号和小数点会被识别成别的东西。折扣行的减号常被识别成「-」「—」「．」，金额正则必须把这个变体都覆盖。
• 数量乘单价的行不代表最终金额。「苹果 2 x 5.00 10.00」这种行里有两个金额，取哪个取决于你要的是单价还是小计，别默认取最后一个。
• 同一张小票上可能有多个汇总。小计、折扣、应付、实付、找零，字段名不同但都长得像金额。靠正则匹配关键字时，「小计」和「合计」只差一个字，必须精确匹配再加位置权重。

这几条都是被实际样本打回来才注意到的，比模型本身的问题更消耗时间。