如何利用Google Document AI从薪资单提取键值对及客户分块

第一步：选对工具类型 #

单页多客户的薪资单属于重复结构化条目文档，别用基础OCR，直接上Google Document AI的「自定义文档解析器（Custom Document Parser）」——比表单解析器（Form Parser）更适合处理这种区块重复的场景，能精准识别每个客户的独立区块和内部字段。

第二步：训练自定义解析模型 #

1. 标注样本：用Document AI Workbench的可视化标注工具，把示例薪资单里每个客户的区域框选出来，定义为「Customer Block」实体；再在每个区块内标注「客户名称」「应发薪资」「扣款」等子字段。如果只有这一种格式，标注10-20张样本足够让模型稳定识别。
2. 训练迭代：上传标注好的数据集启动训练，训练完成后用未标注的薪资单测试，要是有识别不准的地方，补充标注或者调整实体定义，反复迭代到准确率达标。

第三步：后处理生成键值结构 #

模型返回的结果会包含所有识别出的客户区块和字段，写个简单的Python脚本就能把数据转换成「客户名称: {字段: 值}」的键值结构：

from google.cloud import documentai_v1 as documentai

def parse_salary_sheet(project_id, location, processor_id, file_path):
    client = documentai.DocumentProcessorServiceClient()
    processor_name = client.processor_path(project_id, location, processor_id)

    with open(file_path, "rb") as f:
        image_content = f.read()

    raw_doc = documentai.RawDocument(content=image_content, mime_type="image/png")
    request = documentai.ProcessRequest(name=processor_name, raw_document=raw_doc)
    result = client.process_document(request=request)
    doc = result.document

    customer_map = {}
    for entity in doc.entities:
        if entity.type_ == "Customer Block":
            cust_name = None
            cust_details = {}
            for prop in entity.properties:
                if prop.type_ == "Customer Name":
                    cust_name = prop.text_anchor.content.strip()
                else:
                    cust_details[prop.type_] = prop.text_anchor.content.strip()
            if cust_name:
                customer_map[cust_name] = cust_details
    return customer_map

第四步：导出到电子表格 #

把键值结构转成表格格式，用pandas直接导出成Excel/CSV，或者用Google Sheets API同步到云端表格：

import pandas as pd

# 调用上面的解析函数
salary_data = parse_salary_sheet("你的项目ID", "区域", "解析器ID", "薪资单图片路径")
# 转成DataFrame
df = pd.DataFrame.from_dict(salary_data, orient="index").reset_index()
df.rename(columns={"index": "客户名称"}, inplace=True)
# 导出Excel
df.to_excel("薪资单数据.xlsx", index=False)

额外小技巧 #

如果薪资单格式完全固定，也可以先用Document AI的OCR提取全量文本，再用正则匹配每行客户数据，但这种方法容错率低——只要格式微调就会失效，还是训练自定义模型的方案更靠谱、更灵活。

内容的提问来源于stack exchange，提问作者SAMC3523