发票识别汇总工具 v1.2.0

v1.2.0（2026-09-16）

新增：PDF 自动转图片（识别前置步骤）

• 目标文件夹里有 PDF 时，先逐页渲染成 JPG 再识别，命名 原文件名_页码.jpg（如 票据.pdf → 票据_1.jpg）
• 三种情形各走各的路：
  • 全是图片 → 完全跳过，行为与旧版一模一样
  • 纯 PDF / PDF 与图片混装 → 在目标文件夹内新建「处理后」文件夹，PDF 转出的页图与原有图片
    一起复制进去，之后的 OCR、Excel、「未识别」归档全部以该文件夹为工作目录
• 原 PDF 保留在原文件夹，不删除、不移动
• 幂等：同名产物已存在即跳过，重复运行不会产生 _2、_3 副本
• 加密 / 损坏的 PDF 单独挑出来复制到「处理后/未识别」，并在完成提示里列出原因
• 界面上有「自动把 PDF 转成图片」开关（默认开启），需要临时跳过时可取消勾选

关键坑：PDF 渲染尺寸必须受控（输出宽 ≤ 1700px）

• 解析器里的列匹配容差（175px）、行聚类阈值（22px）都是按手机拍摄 / 扫描件那类
  「宽度 1200~1900px、文字高约 29px」的图调出来的固定像素值
• 起初按 200 DPI 直接渲染，出来的图宽是原图的 2 倍，导致列配错、相邻行被合并，
  明细全丢——但发票号码和价税合计仍然认得出来，症状极有迷惑性（显示"未识别"，看不出原因）
• 改法：按页面宽度算倍率，把输出宽卡在 1700px 以内。图片型 PDF 的字高与页面宽度成正比，
  宽度固定后字高自然落回 25~28px 的甜点区；A4 矢量发票在 200 DPI 下字高约 28px，同样合适
• 附带好处：A3、高清扫描件这类大尺寸 PDF 也不会再踩这个坑

发版链路

• 打包显式收集 PyMuPDF 运行库（--collect-all pymupdf），体积约 +30MB
• 新增打包产物自检：发版时用刚打好的 exe 跑 InvoiceOcrTool.exe --selftest <目录>，
  确认包内 PDF 转换真的可用才继续发版，防「本地跑得好、用户装完报错」
  （应急可加 --skip-exe-check 跳过）

实测

• 转换逻辑 6 类场景 36 项断言全通过：纯图片零副作用、纯 PDF、混装、加密 PDF、损坏 PDF、
  12 页分页命名、幂等、输出尺寸约束、A4 扫描件
• 端到端：混合目录 5 张图（2 张原始图片 + 3 张 PDF 转出）全部识别成功，Excel 正常导出
• 回归：70 张真实票据图，parser.py 未改动，识别结果与 v1.1.2 逐张比对完全一致

发票识别汇总工具 v1.1.2

v1.1.2（2026-09-16）

发版链路加固：把「宝塔脚本能自动更新到新版网页」变成机器保证

• 新增 verify_assets()：发版后硬校验 Release 上的两个资产名与本地字节数一致，
  缺一个或大小不符直接中止发版（以前只判"上传接口返回成功"）
• 新增 check_page_names()：校验线上展示页里出现的下载文件名与本版资产名完全一致
  • 背景：服务器上的 deploy/update_site.sh 是按页面里的 InvoiceOcrTool_v<版本> 拼出
    Release 文件名去镜像 exe 的，名字对不上就是 404；而脚本对 404 的处理是"保留 GitHub 原链接"，
    也就是镜像静默失效、不报错，很容易一直没人发现
• release.py 顶部固化了三步发版约定：①网页同步 ②双 exe 且自签名 ③发版推送

发票识别汇总工具 v1.1.1

v1.1.1（2026-09-16）

重写：站点更新脚本改为纯 bash 单文件（不再依赖 Python）

• deploy/update_site.sh 自包含，宝塔「计划任务 → Shell 脚本」里整段粘贴即可运行，服务器上不需要 Python
• 顶部集中配置：WEB_DIR（网站根目录）、MIRROR_EXE（默认 1，镜像双 exe）、PROXY、KEEP_BAK、KEEP_EXE
• 页面三源容灾（GitHub Pages → raw.githubusercontent → jsDelivr）＋ 内容校验（>3KB 且含 4 项特征标记），校验不过拒绝覆盖
• exe 四源容灾（直连 GitHub → ghfast.top → ghproxy.net → gh-proxy.com），下完校验「远端大小相符 ＋ >5MB ＋ 开头 MZ」，残包或错误页直接丢弃换源
• 只改写下载成功的那个链接：某个 exe 失败时它在页面里保持 GitHub 原地址，不会产生死链
• 原子替换（.tmp + mv）＋ 自动备份 5 份到 _webbak/ ＋ 旧版 exe 自动清理（默认保留 2 个版本）
• 幂等：同版本 exe 已存在且校验通过即跳过下载，定时任务反复跑无副作用（实测二次运行 6 秒完成）

文档

• deploy/README.md 重写为 bash 版部署说明（一步粘贴、变量表、安全属性、常见问题）
• 展示页 FAQ 同步更新为 bash 脚本说明
• 发版脚本 release.py 现在会把 deploy/ 一并同步到交付目录，避免手工漏拷

发票识别汇总工具 v1.1.0

v1.1.0（2026-09-16）

新增：站点自动更新脚本（宝塔面板 / 任意 Linux 服务器）

• deploy/update_site.py —— 纯 Python 3 标准库，无需安装任何第三方包
  • 多源回退拉取最新展示页：GitHub Pages → raw.githubusercontent → jsDelivr CDN → 自定义源
  • 内容校验（必须含版本标记等特征），拉到错误页/拦截页时拒绝覆盖站点
  • 原子写入 + 自动备份（保留最近 5 份 index.html）
  • 幂等：内容哈希不变即跳过写入，定时任务反复跑无副作用
  • --mirror-exe：把单文件版 / 安装版镜像到站点 downloads/，并把页面里的下载链接
    自动改写为本站相对路径，国内用户直接从自己的服务器下载
  • 输出 version.json（当前版本、发布时间、已镜像资产），供前端或监控读取
• deploy/update_site.sh —— 宝塔「计划任务」包装脚本
• deploy/README.md —— 部署步骤、参数表与常见问题

改进：发版链路加固

• 展示页更新改为硬校验：替换后若页面仍残留旧版本号，立即中止发版（此前是静默通过）
• 发版推送后自动校验线上 GitHub Pages 版本号是否已生效，默认最多等 180 秒，失败仅告警

展示页

• 新增 FAQ：从 GitHub 下载太慢怎么办（自建镜像站点说明）

发票识别汇总工具 v1.0.0

v1.0.0（2026-09-16）

首个正式发布版本。

核心功能

• 选定文件夹后批量识别其中全部票据图片（jpg / jpeg / png / bmp / webp / tif / tiff）
• 本地离线 OCR（RapidOCR + ONNX Runtime），图片不上传、不联网
• 识别失败的图片自动复制到票据文件夹下的「未识别」子文件夹（自动新建），原图保留
• 导出 发票识别汇总.xlsx，含「票据汇总」与「明细」双表，含项目金额合计与价税合计

票据覆盖

• 增值税电子普通发票（数电票）
• 全国通用电子统一票据（医院电子票据）
• 财政医疗收费票据明细页
• 药房小票、陪护费等常见票种

交付形态

• 单文件绿色版 exe，双击即用
• Inno Setup 安装版 exe，带快捷方式与卸载项
• 两个 exe 均使用 SHA256 代码签名证书签名

识别效果（62 张真实票据实测）

• 58 张识别成功，4 张失败（住院费用清单附件页，预期行为）
• 成功票据价税合计 50 / 50 与人工核对一致

已知限制

• 多页票据按单张图片识别，住院费用清单附件页会被归入「未识别」
• 单文件版首次启动需自解压，约 5~10 秒