关于Google Cloud Document AI发票OCR的JSON输出及准确率提升咨询

1. 如何将提取结果以JSON格式输出？ #

Google Cloud Document AI的Java客户端返回的核心结果是com.google.cloud.documentai.v1.Document对象，你可以通过以下两种方式将其转为JSON格式：

方法一：使用Document内置的JSON序列化方法（新版客户端推荐） #

新版客户端库为Document类提供了直接的toJson()方法，可快速生成JSON字符串：

import com.google.cloud.documentai.v1.Document;
import java.nio.file.Files;
import java.nio.file.Paths;
import java.nio.charset.StandardCharsets;

// 假设document是你获取的提取结果对象
Document document = yourDocumentExtractionLogic();

// 生成JSON字符串
String jsonOutput = document.toJson();

// 将JSON写入文件
Files.write(Paths.get("invoice_extract_result.json"), jsonOutput.getBytes(StandardCharsets.UTF_8));

方法二：使用ProtoBuf JsonFormat工具（兼容旧版本） #

如果你的客户端版本不支持toJson()，可以用ProtoBuf官方的JsonFormat来序列化：

import com.google.cloud.documentai.v1.Document;
import com.google.protobuf.util.JsonFormat;
import java.io.FileWriter;
import java.io.IOException;

Document document = yourDocumentExtractionLogic();

// 配置JSON打印器，保留Proto字段名并美化格式
JsonFormat.Printer printer = JsonFormat.printer()
        .preservingProtoFieldNames()
        .indent("  ");

String jsonOutput = printer.print(document);

// 输出到文件或控制台
try (FileWriter writer = new FileWriter("invoice_extract_result.json")) {
    writer.write(jsonOutput);
} catch (IOException e) {
    e.printStackTrace();
}

2. 如何修正或提升提取数据的准确率？ #

优化输入文档质量 #

• 优先使用高清扫描件（分辨率≥300DPI），避免模糊、倾斜、带有阴影或污渍的图像
• 电子发票直接上传原始PDF文件，而非手机截图或拍照件
• 扫描时确保发票平整，无折叠、褶皱

定制化模型训练 #

• 如果通用发票处理器无法适配你的发票格式，创建自定义处理器，上传你的发票样本进行标注训练
• 通过Document AI的标注工具，重点标注关键字段（如发票编号、总金额、开票日期），补充模型的训练数据

调整处理器调用参数 #

• 调用API时启用enableOcrEnhancement选项，增强OCR基础识别能力
• 针对结构化提取需求，配置字段验证规则（如正则表达式），过滤不符合格式的识别结果

增加后处理逻辑 #

• 在代码中添加字段校验：比如验证金额格式是否符合数值规范、日期是否在合理范围内
• 对置信度较低的字段，结合发票的布局特征（如发票号通常位于顶部或右上角）进行修正

多结果交叉验证 #

• 对于复杂发票，同时调用通用处理器和自定义处理器，取置信度更高的结果作为最终输出

内容的提问来源于stack exchange，提问作者Dushyant Aneja