Python OCR 光學辨識：影相、掃描單據自動變文字同 Excel

香港唔少中小企、會計同行政同事，每日都要處理一大堆紙張文件：客戶收據、供應商發票、名片、合約、表格。要將上面嘅資料輸入電腦，最傳統嘅做法就係對住張紙逐個字打落 Excel——打十張都仲頂得順，但一個月幾百張，就真係又慢又易打錯字。

其實呢種「將圖片入面嘅文字變返做電腦文字」嘅功夫，叫做 OCR（Optical Character Recognition，光學字符辨識）。用 Python 加一個免費嘅 OCR 引擎，十幾行 code 就自動辨識成個資料夾嘅圖片，砌成一張 Excel 表。就算你未寫過 code，跟住做都識。

OCR 係咩？點解要用？

OCR 就係叫電腦「睇住張圖，讀出上面嘅字」。你影低一張收據，或者掃描一份文件，程式就會自動認出圖片入面嘅文字，再變成一串可以複製、可以搜尋嘅文字。對比人手逐個字打，OCR 快幾十倍，而且唔會攰、唔會抄錯，最啱用嚟處理大量格式相近嘅文件。

第一步：安裝工具

我哋會用 pytesseract（OCR 引擎嘅 Python 介面）、Pillow（負責讀圖）、pandas（負責輸出 Excel）。先喺「命令提示字元」裝 Python 部分：

pip install pytesseract pillow pandas openpyxl

另外要裝 OCR 引擎 Tesseract 本身。去官網下載 Windows 安裝檔（UB-Mannheim 版本），安裝時記得勾選「Chinese (Traditional)」語言包，先認得到中文。裝完記住安裝路徑，通常係 C:\Program Files\Tesseract-OCR\。

第二步：個程式會幫你做乜？

讀入圖片 —— 將資料夾入面每一張圖開啟，並轉做灰階
辨識文字 —— 交俾 Tesseract 讀出中英文內容
整理輸出 —— 將結果寫入一張 Excel 表，一行一張圖

第三步：寫程式

開一個新檔案 ocr.py（記事本都得），喺同一個位置開一個 receipts 資料夾放你嘅圖片，再貼入以下 code：

import pytesseract
from PIL import Image
import pandas as pd
import glob, os

# 指向 Tesseract 執行檔（路徑按你安裝位置改）
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

rows = []
for path in glob.glob("receipts/*.jpg"):
    img = Image.open(path).convert("L")        # 轉灰階，提升辨識率
    text = pytesseract.image_to_string(img, lang="chi_tra+eng")
    lines = [l.strip() for l in text.splitlines() if l.strip()]
    rows.append({"檔案": os.path.basename(path), "內容": " | ".join(lines)})

df = pd.DataFrame(rows)
df.to_excel("ocr_results.xlsx", index=False)
print("搞掂！共辨識", len(rows), "張圖")

逐行解釋

import pytesseract / from PIL import Image / import pandas as pd / import glob, os —— 載入五個工具：OCR 引擎、讀圖、處理表格、搵檔案、處理檔名。
tesseract_cmd = ... —— 話俾程式知 Tesseract 裝喺邊；唔設呢行，通常會報「找不到 tesseract」。
glob.glob("receipts/*.jpg") —— 一次過攞到資料夾入面所有 jpg 圖片。
Image.open(path).convert("L") —— 開啟圖片並轉灰階，減少顏色干擾，辨識準啲。
lang="chi_tra+eng" —— 同時認繁體中文同英文；只認英文可以寫 "eng"。
text.splitlines() —— 將辨識結果逐行拆開、去掉空行，方便閱讀。
df.to_excel(...) —— 將全部結果寫入 Excel，一行一張圖。

第四步：執行

喺命令提示字元切換去 ocr.py 所在位置，打：

python ocr.py

執行完，同一個資料夾會多咗個 ocr_results.xlsx，打開就見到每張圖辨識出嚟嘅文字，唔使再逐個字打。

提升辨識準確度五大貼士

影相要正 —— 盡量由正上方影，避免斜角同反光，文字愈平直愈準。
用黑白、高對比 —— 掃描文件通常比手機相準；必要時可先做二值化（黑白化）處理。
解析度夠高 —— 圖片太細辨唔到字，建議每邊最少 1000 像素以上。
揀啱語言包 —— 純中文用 chi_tra，中英夾雜先加 +eng，加錯反而拖低準確度。
當「草稿」再人手覆核 —— 銀碼、印章、手寫字未必百份百準，重要文件仍要人手核對一次。

總結

Python 教學：用十幾行 code，就將「對住張紙逐個字打」呢啲重複功夫交俾電腦，收據、發票、名片一鍵變做 Excel。記住 OCR 唔係魔法，圖片愈清晰、格式愈統一，準確度就愈高；配合人手覆核，就可以慳返大量時間，同時減少打錯數嘅風險。下一步仲可以喺 code 度加正則表達式（Regex），自動抽出銀碼同日期的欄位，出到更整齊嘅報表。